KR20220140806A - Improved Fluid Dispensing Process Control Using Machine Learning and Systems Implementing It - Google Patents
Improved Fluid Dispensing Process Control Using Machine Learning and Systems Implementing It Download PDFInfo
- Publication number
- KR20220140806A KR20220140806A KR1020227031547A KR20227031547A KR20220140806A KR 20220140806 A KR20220140806 A KR 20220140806A KR 1020227031547 A KR1020227031547 A KR 1020227031547A KR 20227031547 A KR20227031547 A KR 20227031547A KR 20220140806 A KR20220140806 A KR 20220140806A
- Authority
- KR
- South Korea
- Prior art keywords
- viscous fluid
- fluid
- dispensing
- classification
- dispensing device
- Prior art date
Links
- 239000012530 fluid Substances 0.000 title claims abstract description 579
- 238000010801 machine learning Methods 0.000 title claims abstract description 120
- 238000004886 process control Methods 0.000 title abstract description 18
- 230000007547 defect Effects 0.000 claims abstract description 119
- 238000000034 method Methods 0.000 claims abstract description 99
- 239000000758 substrate Substances 0.000 claims description 121
- 238000009826 distribution Methods 0.000 claims description 43
- 238000012549 training Methods 0.000 claims description 30
- 238000009825 accumulation Methods 0.000 claims description 19
- 239000007788 liquid Substances 0.000 claims description 17
- 230000002950 deficient Effects 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 abstract description 29
- 239000000463 material Substances 0.000 description 53
- 230000003287 optical effect Effects 0.000 description 22
- 238000003384 imaging method Methods 0.000 description 21
- 230000008569 process Effects 0.000 description 21
- 230000035508 accumulation Effects 0.000 description 16
- 238000003860 storage Methods 0.000 description 11
- 230000000875 corresponding effect Effects 0.000 description 8
- 238000002474 experimental method Methods 0.000 description 7
- 230000000712 assembly Effects 0.000 description 6
- 238000000429 assembly Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 239000007787 solid Substances 0.000 description 5
- 239000000853 adhesive Substances 0.000 description 4
- 230000001070 adhesive effect Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 239000000919 ceramic Substances 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 239000002131 composite material Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 239000007921 spray Substances 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000002596 correlated effect Effects 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 238000006073 displacement reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000005194 fractionation Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000000704 physical effect Effects 0.000 description 3
- 238000010926 purge Methods 0.000 description 3
- 238000007789 sealing Methods 0.000 description 3
- 229910000679 solder Inorganic materials 0.000 description 3
- 239000011345 viscous material Substances 0.000 description 3
- 238000005303 weighing Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 239000004020 conductor Substances 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 238000002347 injection Methods 0.000 description 2
- 239000007924 injection Substances 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 239000004593 Epoxy Substances 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 239000011538 cleaning material Substances 0.000 description 1
- 230000003749 cleanliness Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 238000004100 electronic packaging Methods 0.000 description 1
- 229920002457 flexible plastic Polymers 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000007620 mathematical function Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 238000012261 overproduction Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000036316 preload Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000000518 rheometry Methods 0.000 description 1
- 238000004513 sizing Methods 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B05—SPRAYING OR ATOMISING IN GENERAL; APPLYING FLUENT MATERIALS TO SURFACES, IN GENERAL
- B05C—APPARATUS FOR APPLYING FLUENT MATERIALS TO SURFACES, IN GENERAL
- B05C5/00—Apparatus in which liquid or other fluent material is projected, poured or allowed to flow on to the surface of the work
- B05C5/02—Apparatus in which liquid or other fluent material is projected, poured or allowed to flow on to the surface of the work the liquid or other fluent material being discharged through an outlet orifice by pressure, e.g. from an outlet device in contact or almost in contact, with the work
- B05C5/0225—Apparatus in which liquid or other fluent material is projected, poured or allowed to flow on to the surface of the work the liquid or other fluent material being discharged through an outlet orifice by pressure, e.g. from an outlet device in contact or almost in contact, with the work characterised by flow controlling means, e.g. valves, located proximate the outlet
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B05—SPRAYING OR ATOMISING IN GENERAL; APPLYING FLUENT MATERIALS TO SURFACES, IN GENERAL
- B05B—SPRAYING APPARATUS; ATOMISING APPARATUS; NOZZLES
- B05B12/00—Arrangements for controlling delivery; Arrangements for controlling the spray area
- B05B12/08—Arrangements for controlling delivery; Arrangements for controlling the spray area responsive to condition of liquid or other fluent material to be discharged, of ambient medium or of target ; responsive to condition of spray devices or of supply means, e.g. pipes, pumps or their drive means
- B05B12/082—Arrangements for controlling delivery; Arrangements for controlling the spray area responsive to condition of liquid or other fluent material to be discharged, of ambient medium or of target ; responsive to condition of spray devices or of supply means, e.g. pipes, pumps or their drive means responsive to a condition of the discharged jet or spray, e.g. to jet shape, spray pattern or droplet size
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B05—SPRAYING OR ATOMISING IN GENERAL; APPLYING FLUENT MATERIALS TO SURFACES, IN GENERAL
- B05C—APPARATUS FOR APPLYING FLUENT MATERIALS TO SURFACES, IN GENERAL
- B05C11/00—Component parts, details or accessories not specifically provided for in groups B05C1/00 - B05C9/00
- B05C11/10—Storage, supply or control of liquid or other fluent material; Recovery of excess liquid or other fluent material
- B05C11/1002—Means for controlling supply, i.e. flow or pressure, of liquid or other fluent material to the applying apparatus, e.g. valves
- B05C11/1007—Means for controlling supply, i.e. flow or pressure, of liquid or other fluent material to the applying apparatus, e.g. valves responsive to condition of liquid or other fluent material
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/10—Investigating individual particles
- G01N15/14—Optical investigation techniques, e.g. flow cytometry
- G01N15/1456—Optical investigation techniques, e.g. flow cytometry without spatial resolution of the texture or inner structure of the particle, e.g. processing of pulse signals
- G01N15/1459—Optical investigation techniques, e.g. flow cytometry without spatial resolution of the texture or inner structure of the particle, e.g. processing of pulse signals the analysis being performed on a sample stream
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G06K9/6268—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N2015/0023—Investigating dispersion of liquids
- G01N2015/0026—Investigating dispersion of liquids in gas, e.g. fog
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30141—Printed circuit board [PCB]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/06—Recognition of objects for industrial automation
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Quality & Reliability (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Dispersion Chemistry (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Coating Apparatus (AREA)
- Control Of Non-Electrical Variables (AREA)
Abstract
기계 학습 도구를 사용하여 개선된 유체 분배 공정 제어를 위한 시스템 및 방법이 개시된다. 예시적인 방법에서, 점성 유체의 연속적인 부분은 분배된 부분의 이미지 및/또는 분배된 부분의 분배와 연관된 작동 파라미터와 결함 분류를 연관시키도록 기계 학습 도구를 트레이닝시키기 위해 작동 파라미터에 따라 분배 디바이스에 의해 분배된다. 그런 다음 트레이닝된 기계 학습 도구는 품질과 생산 효율성을 개선하기 위해 분배된 부분과 연관된 결함을 감지하고 수정하기 위해 생산에서 폐쇄 루프 방식으로 사용된다.Systems and methods for improved fluid dispensing process control using machine learning tools are disclosed. In an exemplary method, a continuous portion of the viscous fluid is fed to the dispensing device according to the operating parameters to train a machine learning tool to associate the defect classification with an image of the dispensed portion and/or an operating parameter associated with the dispensing of the dispensed portion. distributed by The trained machine learning tools are then used in a closed-loop fashion in production to detect and correct defects associated with distributed parts to improve quality and production efficiency.
Description
관련 출원에 대한 상호 참조CROSS-REFERENCE TO RELATED APPLICATIONS
본 출원은 2020년 2월 20일에 출원된 미국 가출원 번호 62/978,966의 이익을 주장하며, 그 전체가 임의의 모든 목적을 위해 여기에 포함된다.This application claims the benefit of U.S. Provisional Application No. 62/978,966, filed on February 20, 2020, which is incorporated herein in its entirety for any and all purposes.
기술분야technical field
본 개시는 일반적으로 유체 물질의 분사에 관한 것으로, 특히 기계 학습(machine learning)을 사용하여 유체 분배 공정 제어를 개선하기 위한 시스템 및 방법에 관한 것이다.TECHNICAL FIELD The present disclosure relates generally to the dispensing of fluid materials, and more particularly to systems and methods for improving fluid dispensing process control using machine learning.
분사 밸브(Jetting valve)는 점성 또는 유체 물질의 미세 점 또는 방울, 스트림 및/또는 불연속 체적을 기판 상에 분사하기 위해 전자 패키징 조립체 및 기타 공정에서 사용된다. 언더필 물질, 캡슐화 물질, 표면 실장 접착제, 솔더 페이스트, 전도성 접착제, 솔더 마스크 물질, 플럭스, 열 화합물 등과 연관된 유체 물질을 분사하는 밸브를 분사하기 위한 다양한 응용 분야가 있다.Jetting valves are used in electronic packaging assemblies and other processes to eject fine dots or droplets, streams, and/or discrete volumes of viscous or fluid substances onto a substrate. There are a variety of applications for dispensing valves dispensing fluid materials associated with underfill materials, encapsulating materials, surface mount adhesives, solder pastes, conductive adhesives, solder mask materials, fluxes, thermal compounds, and the like.
"분사 밸브" 또는 "분사 디바이스"는 방울, 스트림 및/또는 불연속적인 체적의 물질을 분사 디바이스로부터 분출하거나 "분사"하여 기판 상에 착지하는 디바이스이며, 여기서 방울, 스트림 및/또는 불연속 체적은 기판과 접촉하기 전에 분사 디바이스의 노즐로부터 분리될 수 있다. 따라서, 이러한 유형의 분사 디바이스에서, 방울, 스트림 및/또는 불연속 체적의 물질은 분사 디바이스와 기판 사이의 거리의 적어도 일부에 대해 분사 디바이스 또는 기판과 접촉하지 않고 분사 디바이스와 기판 사이에 "비행(in-flight)"으로 분배될 수 있다. An “injection valve” or “dispensing device” is a device that ejects or “jets” a droplet, stream, and/or discrete volume of material from the ejection device and lands on a substrate, wherein the droplet, stream and/or discrete volume is the substrate. may be separated from the nozzle of the spraying device prior to contact with the Thus, in this type of jetting device, droplets, streams and/or discrete volumes of material “fly in” between the jetting device and the substrate without contacting the jetting device or substrate for at least a portion of the distance between the jetting device and the substrate. -flight)".
분사 디바이스는 또한 방울, 스트림 및/또는 불연속 체적의 물질이 노즐 및 기판과 동시에 접촉하도록 방울, 스트림 및/또는 불연속 체적의 물질을 방출하는 디바이스를 지칭할 수 있다. 유체의 운동량은 노즐에서 기판으로 유체를 운반하기 위한 주요 요인일 수 있을 뿐만 아니라 노즐에서 방울, 스트림 및/또는 불연속 체적의 물질을 분리하기 위한 주요 메커니즘일 수 있다. 이 경우, 물질은 분사 디바이스의 노즐로부터 떨어져 있는 물질의 방울, 스트림 또는 불연속 체적을 끌어당기기 위해 방울, 스트림 및/또는 불연속 체적의 물질을 기판에 접착하는 것에 의존하지 않고 기판으로 전달된다.An ejection device may also refer to a device that ejects a droplet, stream, and/or discrete volume of material such that the droplet, stream, and/or discrete volume of material is in contact with the nozzle and substrate simultaneously. Momentum of a fluid may be the main factor for transporting the fluid from the nozzle to the substrate, as well as the main mechanism for separating droplets, streams and/or discrete volumes of material from the nozzle. In this case, the material is transferred to the substrate without resorting to adhering the droplets, stream and/or discrete volume of material to the substrate to attract the droplet, stream or discrete volume of material away from the nozzle of the jetting device.
그러나 분사 또는 유사한 디바이스를 포함하는 분배 디바이스의 작동은 다양한 문제를 나타낼 수 있다. 예컨대, 분배된 물질의 일부가 노즐에서 완전히 파괴되지 않아 노즐 또는 다른 곳에 물질이 바람직하지 않게 축적될 수 있다. 이러한 축적은 노즐에 의한 후속 분배에 부정적인 영향을 미칠 수 있다. 또 다른 예로서, 불완전하게 분배된 체적의 물질은 기판 상에 바람직하지 않은 "위성(satellite)"(즉, 주 체적의 물질 주위의 추가로 작은 체적의 물질)를 초래할 수 있다. 또한, 작동 조건 및/또는 특정 분배 응용 프로그램 자체는 위치 및 시험 환경에서 생산 환경에 따라 다를 수 있다. 따라서 설정 프로파일은 시험 환경에서 수용 가능한 결과를 얻을 수 있지만 생산 환경에서 구현되면 수많은 결함이 발생할 수 있다.However, the operation of dispensing devices, including dispensing or similar devices, can present a variety of problems. For example, some of the material dispensed may not be completely destroyed at the nozzle, resulting in undesirable accumulation of material at the nozzle or elsewhere. Such build-up can negatively affect subsequent dispensing by the nozzle. As another example, an incompletely distributed volume of material can result in undesirable "satellite" (ie, an additional small volume of material around the main volume of material) on the substrate. In addition, operating conditions and/or the specific dispensing application itself may vary from location and test environment to production environment. Thus, while the setup profile can yield acceptable results in a test environment, it can introduce numerous flaws when implemented in a production environment.
이들 및 다른 결점은 본 개시에서 다루어진다.These and other drawbacks are addressed in this disclosure.
기계 학습 및/또는 인공 지능을 사용하여 개선된 유체 분배 공정 제어를 위한 시스템 및 방법이 본원에 개시된다. 기계 학습에는 심층 신경망(DNN)과 같은 신경망을 포함하여 기계 학습 알고리즘을 사용하는 다양한 기계 학습 도구의 사용이 포함될 수 있다. 기계 학습 도구의 다른 예에는 다음이 포함되지만 이에 국한되지 않는다:Disclosed herein are systems and methods for improved fluid dispensing process control using machine learning and/or artificial intelligence. Machine learning can include the use of a variety of machine learning tools that use machine learning algorithms, including neural networks such as deep neural networks (DNNs). Other examples of machine learning tools include, but are not limited to:
XGBoost, CNN(나선형 기계 학습 도구; Convolutional Machine Learning Tool), SVM(지지 벡터 기계; Support Vector Machine), 다중 선형 회귀, 랜덤 포레스트(Random Forest), AdaBoost, 인공 기계 학습 도구(ANN): "기존" 기계 학습 도구, DT(Decision Tree), Naive Bayes, KNN(K Nearest Neighbor), HMM(Hidden Markov Model), 사이버네틱스 및 뇌 시뮬레이션, 기호, 인지 시뮬레이션, 논리 기반, 반논리, 지식 기반, 하위 기호, 구현 지능, 계산 지능 및 소프트 컴퓨팅, 및/또는 등. 기계 학습은 특징 벡터 공정, 분류 공정, 그룹화 공정, 분류 공정, 회귀 공정, 분석 공정, 매칭 공정(matching process), 트레이닝 공정, 진단 공정 등을 활용할 수 있다.XGBoost, CNN (Convolutional Machine Learning Tool), SVM (Support Vector Machine), Multiple Linear Regression, Random Forest, AdaBoost, Artificial Machine Learning Tool (ANN): "Conventional" Machine Learning Tools, Decision Tree (DT), Naive Bayes, K Nearest Neighbor (KNN), Hidden Markov Model (HMM), Cybernetics and Brain Simulation, Symbolic, Cognitive Simulation, Logic-Based, Anti-Logic, Knowledge Base, Sub-Symbol, Implementation intelligence, computational intelligence and soft computing, and/or the like. Machine learning may utilize a feature vector process, a classification process, a grouping process, a classification process, a regression process, an analysis process, a matching process, a training process, a diagnostic process, and the like.
이하에 설명되는 바와 같이 본 개시의 다양한 대표적인 예 또는 실시예가 있다.There are various representative examples or embodiments of the present disclosure as described below.
폐쇄 루프 제어를 위한 기계 학습 도구에 입력되는 분배된 체적의 이미지 및 파라미터Images and parameters of the dispensed volume as input to a machine learning tool for closed-loop control
하나의 예시적인 방법에서, 분배 디바이스의 작동 파라미터의 제1 값에 따라 분배 디바이스의 노즐로부터 점성 유체의 부분을 분배하기 위해 분배 디바이스의 밸브가 개방 및 폐쇄된다. 점성 유체의 부분의 하나 이상의 이미지가 캡처된다. 점성 유체의 부분의 하나 이상의 이미지 및 작동 파라미터의 제1 값은 점성 유체의 부분의 분류를 결정하기 위해 기계 학습 도구에 입력된다. 작동 파라미터의 제2 값은 점성 유체의 부분의 분류에 기초하여 결정된다. 점성 유체의 제2 부분은 작동 파라미터의 제2 값에 따라 분배된다.In one exemplary method, a valve of the dispensing device is opened and closed to dispense a portion of the viscous fluid from a nozzle of the dispensing device according to a first value of an operating parameter of the dispensing device. One or more images of the portion of the viscous fluid are captured. The one or more images of the portion of the viscous fluid and the first values of the operating parameters are input to a machine learning tool to determine a classification of the portion of the viscous fluid. A second value of the operating parameter is determined based on the classification of the portion of the viscous fluid. A second portion of the viscous fluid is dispensed according to a second value of the operating parameter.
폐쇄 루프 제어를 위한 기계 학습 도구에 입력되는 센서 및 파라미터의 분배 체적의 특성Characterization of the distributed volume of sensors and parameters input to machine learning tools for closed-loop control
다른 예시적인 방법에서, 분배 디바이스의 밸브는 분배 디바이스의 작동 파라미터의 제1 값에 따라 분배 디바이스의 노즐로부터 점성 유체의 부분을 분배하기 위해 개방 및 폐쇄된다. 분배 디바이스에서 분배되는 점성 유체의 부분의 특성은 센서로부터의 데이터에 기초하여 결정된다. 점성 유체의 부분의 특성과 작동 파라미터의 제1 값은 점성 유체의 부분의 분류를 결정하기 위해 기계 학습 도구에 입력된다. 작동 파라미터의 제2 값은 점성 유체의 부분의 분류에 기초하여 결정된다. 점성 유체의 제2 부분은 작동 파라미터의 제2 값에 따라 분배된다.In another exemplary method, a valve of the dispensing device opens and closes to dispense a portion of the viscous fluid from a nozzle of the dispensing device according to a first value of an operating parameter of the dispensing device. A characteristic of the portion of the viscous fluid dispensed at the dispensing device is determined based on data from the sensor. The properties of the portion of the viscous fluid and first values of the operating parameters are input into a machine learning tool to determine a classification of the portion of the viscous fluid. A second value of the operating parameter is determined based on the classification of the portion of the viscous fluid. A second portion of the viscous fluid is dispensed according to a second value of the operating parameter.
폐쇄 루프 제어를 위한 기계 학습 도구를 트레이닝하기 위해 품질 등급이 할당된 분배된 체적의 이미지Images of distributed volumes assigned quality grades to train machine learning tools for closed-loop control
다른 방법에서, 분배 디바이스의 밸브는 분배 디바이스의 작동 파라미터의 제1 값에 따라 분배 디바이스의 노즐로부터 점성 유체의 부분을 분배하기 위해 개방 및 폐쇄된다. 점성 유체의 부분의 하나 이상의 이미지가 기계 학습 도구에 의해 캡처된다. 각 이미지에는 품질 분류 시스템에 따라 품질 등급이 할당되어 품질 등급을 이미지와 연관시키도록 기계 학습 도구를 트레이닝시킨다. 이미지에 할당된 품질 등급에 따라, 트레이닝된 기계 학습 도구는 작동 파라미터의 제2 값에 따라 점성 유체의 제2 부분을 분배하도록 시스템을 제어할 수 있다.In another method, a valve of the dispensing device opens and closes to dispense a portion of the viscous fluid from a nozzle of the dispensing device according to a first value of an operating parameter of the dispensing device. One or more images of a portion of the viscous fluid are captured by a machine learning tool. Each image is assigned a quality class according to a quality classification system to train the machine learning tool to associate the quality class with the image. According to the quality class assigned to the image, the trained machine learning tool can control the system to dispense a second portion of the viscous fluid according to the second value of the operating parameter.
폐쇄 루프 제어를 위한 기계 학습 도구를 트레이닝하기 위해 품질 등급이 할당된 분배된 체적의 이미지 및 분배된 체적을 생성하는 작동 파라미터가 기록된다An image of the dispensed volume assigned a quality class for training a machine learning tool for closed-loop control and the operating parameters generating the dispensed volume are recorded.
또 다른 예에서, 분배 디바이스의 밸브는 분배 디바이스의 작동 파라미터의 제1 값에 따라 분배 디바이스의 노즐로부터 점성 유체의 부분을 분배하기 위해 개방 및 폐쇄된다. 점성 유체의 부분의 하나 이상의 이미지가 기계 학습 도구에 의해 캡처된다. 각 이미지에는 품질 분류 시스템에 따라 품질 등급이 할당되어 품질 등급을 이미지와 연관시키도록 기계 학습 도구를 트레이닝시킨다. 작동 파라미터의 제1 값은 품질 등급을 파라미터와 연관시키도록 기계 학습 도구를 트레이닝하는 데에도 사용된다.In another example, a valve of the dispensing device opens and closes to dispense a portion of the viscous fluid from a nozzle of the dispensing device according to a first value of an operating parameter of the dispensing device. One or more images of a portion of the viscous fluid are captured by a machine learning tool. Each image is assigned a quality class according to a quality classification system to train the machine learning tool to associate the quality class with the image. The first value of the operating parameter is also used to train the machine learning tool to associate a quality grade with the parameter.
설명된 기술 중 임의의 것의 구현은 방법 또는 공정, 장치, 디바이스, 기계, 시스템, 또는 컴퓨터 판독 가능 저장 디바이스에 저장된 명령을 포함할 수 있다. 특정 구현의 세부 사항은 아래의 첨부 도면 및 설명에 기술되어 있다. 다른 특징은 도면 및 청구범위를 포함하는 하기 설명으로부터 명백할 것이다.Implementations of any of the described techniques may include instructions stored in a method or process, apparatus, device, machine, system, or computer readable storage device. The details of specific implementations are set forth in the accompanying drawings and description below. Other features will become apparent from the following description, including the drawings and claims.
본 명세서에 통합되고 본 명세서의 일부를 구성하는 첨부 도면은 실시예를 예시하고 설명과 함께 방법 및 시스템의 원리를 설명하는 역할을 한다.
도 1a는 본 개시의 실시예에 따른 예시적인 분배 시스템을 도시한다.
도 1b는 도 1a의 분배 시스템과 함께 사용가능하고 본 개시의 실시예에 따른 예시적인 분배 조립체의 단면도를 도시한다.
도 1c는 본 개시의 실시예에 따른 도 1b의 분배 시스템의 압전 구동 모듈의 단면도를 도시한다.
도 2는 본 개시의 실시예에 따른 예시적인 분배 교정 스테이션을 도시한다.
도 3은 본 개시의 실시예에 따른 예시적인 분배 교정 스테이션을 도시한다.
도 4는 본 개시의 실시예에 따른 예시적인 분배 교정 스테이션을 도시한다.
도 5는 본 개시의 실시예에 따른 기계 학습 도구를 트레이닝하기 위한 하나의 방법에 대한 예시적인 흐름도를 도시한다.
도 6은 본 개시의 실시예에 따른 기계 학습 도구를 트레이닝하기 위한 단순화된 실험을 도시한다.
도 7은 본 개시의 실시예에 따른 생산에서 트레이닝된 기계 학습 도구를 사용하기 위한 하나의 방법에 대한 예시적인 흐름도를 도시한다.
도 8은 본 개시의 실시예에 따른 예시적인 흐름도를 도시한다.
도 9a는 본 개시의 실시예에 따른 분배 동안의 비행 유체의 예시적인 이미지를 도시한다.
도 9b는 본 개시의 실시예에 따른 분배 동안의 비행 유체의 다른 예시적인 이미지를 도시한다.
도 9c는 본 개시의 실시예에 따른 분배 동안의 비행 유체의 또 다른 예시적인 이미지를 도시한다.
도 10a는 본 개시의 실시예에 따른 분배 동안의 비행 유체의 또 다른 예시적인 이미지를 도시한다.
도 10b는 본 개시의 실시예에 따른 분배 동안의 비행 유체의 또 다른 예시적인 이미지를 도시한다.
도 10c는 본 개시의 실시예에 따른 분배 동안의 비행 유체의 또 다른 예시적인 이미지를 도시한다.
도 11은 본 개시의 다른 실시예에 따른 경계 상자를 보여주는 분배 동안의 비행 유체의 예시적인 이미지를 도시한다.
본 개시의 양태는 이제 도면을 참조하여 상세하게 설명될 것이며, 여기서 유사한 도면부호는 달리 명시되지 않는 한 전체에 걸쳐 유사한 요소를 지칭한다.The accompanying drawings, which are incorporated in and constitute a part of this specification, illustrate embodiments and together with the description serve to explain the principles of the methods and systems.
1A illustrates an exemplary dispensing system in accordance with an embodiment of the present disclosure.
1B shows a cross-sectional view of an exemplary dispensing assembly usable with the dispensing system of FIG. 1A in accordance with an embodiment of the present disclosure;
1C illustrates a cross-sectional view of a piezoelectric drive module of the distribution system of FIG. 1B in accordance with an embodiment of the present disclosure;
2 illustrates an exemplary distribution calibration station in accordance with an embodiment of the present disclosure.
3 illustrates an exemplary distribution calibration station in accordance with an embodiment of the present disclosure.
4 illustrates an exemplary distribution calibration station in accordance with an embodiment of the present disclosure.
5 depicts an exemplary flow diagram of one method for training a machine learning tool in accordance with an embodiment of the present disclosure.
6 illustrates a simplified experiment for training a machine learning tool according to an embodiment of the present disclosure.
7 depicts an exemplary flow diagram of one method for using a trained machine learning tool in production according to an embodiment of the present disclosure.
8 depicts an exemplary flow diagram in accordance with an embodiment of the present disclosure.
9A shows an exemplary image of a flying fluid during dispensing in accordance with an embodiment of the present disclosure.
9B depicts another exemplary image of a flying fluid during dispensing in accordance with an embodiment of the present disclosure.
9C shows another exemplary image of a flying fluid during dispensing in accordance with an embodiment of the present disclosure.
10A shows another exemplary image of a flying fluid during dispensing in accordance with an embodiment of the present disclosure.
10B shows another exemplary image of a flying fluid during dispensing in accordance with an embodiment of the present disclosure.
10C shows another exemplary image of a flying fluid during dispensing in accordance with an embodiment of the present disclosure.
11 shows an exemplary image of a flying fluid during dispensing showing a bounding box according to another embodiment of the present disclosure.
Aspects of the present disclosure will now be described in detail with reference to the drawings, wherein like reference numerals refer to like elements throughout unless otherwise specified.
본 개시의 시스템 및 방법은 기계 학습 도구를 사용하는 개선된 유체 분배 공정 제어에 관한 것이다. 일 예에서, 분배 시스템은 점성 유체와 같은 체적의 유체를 분배하도록 구성된 분배 디바이스를 포함할 수 있다. 점성 유체는 예컨대 접착제를 포함할 수 있다. 본 개시의 하나의 방법에 따르면, 기계 학습 도구는 유체 체적을 분배하는 데 사용된 작동 파라미터(예: 밸브 니들 속도 또는 스트로크 길이)의 제1 값에 및 유체 체적의 하나 이상의 비행 이미지의 입력에 기초하여 분배된 유체 체적의 분류(예: 무결함 분류 또는 다양한 유형의 결함 분류)를 결정하도록 구성될 수 있다. 분류는 기판 상의 분류(on-substrate classification)를 포함할 수 있다. 기판 상의 분류는 기판 상에 분배된 유체의 분류일 수 있다. 예컨대, 분류는 분배된 유체가 기판의 옳바른 위치에 있지 않은 결함(잘못 배치 결함)을 커버할 수 있다. 또 다른 예는 위성 결함(satellite defect)이다. 위성 결함은 분배된 유체 체적의 작은 부분이 분리되어 기판 상의 타겟 분배 영역 외부에 작은 침전물의 튀김을 형성하는 결함일 수 있다. 기판 상의 분류가 아닌 분류의 예는 축적 결함이다. 축적 결함은 분배 밸브 노즐의 노즐에 분배 물질이 축적되는 결함이다. 이러한 결함 중 하나를 포함하는 유체 체적의 분류에 기초하여, 예컨대 작동 파라미터의 제2 값이 결정될 수 있다. 작동 파라미터의 제2 값에 따라 다른 유체 체적이 후속적으로(반드시 바로 이어지는 것은 아니지만) 분배될 수 있다.Systems and methods of the present disclosure relate to improved fluid dispensing process control using machine learning tools. In one example, the dispensing system can include a dispensing device configured to dispense a volume of fluid, such as a viscous fluid. The viscous fluid may include, for example, an adhesive. According to one method of the present disclosure, the machine learning tool is based on a first value of an operating parameter (eg, valve needle speed or stroke length) used to dispense the fluid volume and based on input of one or more flight images of the fluid volume. to determine the classification of the dispensed fluid volume (eg, a defect-free classification or a classification of various types of defects). Classification may include on-substrate classification. The fractionation on the substrate may be a fractionation of the fluid dispensed on the substrate. For example, the fractionation may cover a defect in which the dispensed fluid is not in the correct position on the substrate (misplaced defect). Another example is a satellite defect. A satellite defect may be a defect in which a small portion of the dispensed fluid volume separates to form a small splatter of deposits outside the target dispensing area on the substrate. An example of a classification that is not a classification on a substrate is an accumulation defect. A build-up defect is a defect in which dispensing material builds up in the nozzle of a dispense valve nozzle. Based on the classification of the fluid volume containing one of these defects, for example, a second value of the operating parameter can be determined. Depending on the second value of the operating parameter, another fluid volume may be dispensed subsequently (but not necessarily immediately).
폐쇄 루프 공정 제어는 위의 단계의 유사한 반복을 통해 구현될 수 있다. 기계 학습 도구는 일반적으로 하나 이상의 후보 분류 각각에 대한 확률을 출력한다(예: 위성 결함 등급이 적용되는 90% 확률 및 축적 결함 등급이 적용되는 10% 확률). 확률의 경향은 결함이 수정되어야 하는 예측된 시간을 결정하기 위해 식별될 수 있다.Closed loop process control can be implemented through a similar repetition of the above steps. Machine learning tools typically output a probability for each of one or more candidate classifications (eg, a 90% probability of applying a satellite defect class and a 10% probability of applying an accumulated defect class). Probability trends can be identified to determine the predicted time at which the defect should be corrected.
비행 샘플 유체 체적의 하나 이상의 이미지는 트레이닝 중 기계 학습 도구에 대한 입력을 포함할 수 있다. 이 예에서, "트레이닝 중인 기계 학습 도구"는 비행 이미지를 결함 분류와 연관시키도록 트레이닝되는 기계 학습 도구이다.The one or more images of the flight sample fluid volume may include input to a machine learning tool during training. In this example, the "machine learning tool under training" is a machine learning tool that is trained to associate flight images with defect classification.
도 1a는 캐비넷(12) 및 분배 조립체(14)를 포함할 수 있는 예시적인 분배 시스템(10)을 도시한다. 분배 조립체(14)는 제어된 양의 유체 또는 점성 물질을 캐비넷(12)의 생산 영역(26)에 위치된 기판(18)(예: 회로 기판 또는 다른 고객 제품) 상에 선택적으로 분배하기 위한 밸브를 갖는 분배 노즐(16)을 포함할 수 있다. 분배 노즐(16)은 연속 스트림 및/또는 불연속적인 일련의 유체 체적을 분배하는 것을 포함하여 분배 조립체(14)가 정지되어 있는 동안, 분배 동작(즉, 분배 조립체(14)의 밸브를 개방 및 폐쇄)을 수행할 수 있다. 추가적으로 또는 대안적으로, 분배 노즐(16)은 연속 스트림 및/또는 불연속적인 일련의 유체 체적을 분배하는 것을 포함하여 분배 조립체(14)가 이동하는 동안, 분배 동작(즉, 분배 조립체(14)의 밸브를 개방 및 폐쇄)을 수행할 수 있다.1A shows an
분배 조립체(14)는 또한 카메라(20) 및 높이 센서(21)를 포함할 수 있다. 카메라(20)는 룩업 카메라(lookup camera), 룩다운 카메라(look down camera), 고속 카메라 등으로서 구현될 수 있다. 분배 노즐(16)은 니들 디스펜서(needle dispenser), 스프레이 디스펜서, 분사 디스펜서, 및/또는 접착제, 에폭시, 솔더 페이스트 등과 같은 유체 또는 점성 물질을 유체 물질 저장소(23)로부터 기판(18) 상으로 분배하기에 적합한 임의의 다른 디바이스일 수 있다. 분배 조립체(14)는 캐비넷(12)의 생산 영역(26) 및 서비스 스테이션(28)(즉, 서비스 영역) 위에 분배 조립체(14)를 선택적으로 위치시키도록 구성된 포지셔너(positioner;25)에 결합될 수 있다. 포지셔너(25)는 생산 영역(26) 및/또는 서비스 스테이션(28) 위의 수평면에서 분배 조립체(14)를 이동하고 생산 영역(26) 및/또는 서비스 스테이션(28)의 표면에 대한 분배 조립체(14) 및 분배 노즐(16)의 높이를 조정하도록 구성된 독립적으로 제어 가능한 x축 및 y축 드라이브를 포함하는 3축 포지셔너일 수 있다. 그에 의해서, 포지셔너(25)는 분배 조립체(14)에 대한 3개의 실질적인 수직 이동축을 제공할 수 있다. 분배 조립체(14)가 z-축 드라이브(34)에 의해 x-y 포지셔너에 결합된 것으로 도시된 실시예에서 도시되지만, 당업자는 분배 조립체(14)를 위치시키기 위해 다른 메커니즘이 사용될 수 있음을 이해할 것이다. The dispensing
분배 시스템(10)은 또한 캐비넷(12)에 장착될 수 있거나 원격일 수 있는 제어기(36)를 포함할 수 있다. 제어기(36)는 분배 조립체(14)의 움직임을 조정하고, 분배 노즐(16)을 작동시키고/시키거나 서비스 스테이션(28)의 구성요소를 작동시키는 것과 같은 분배 시스템(10)의 전체 제어를 제공하도록 구성될 수 있다. 제어기(36)는 프로세서, 메모리 및 입력/출력(I/O) 인터페이스를 포함할 수 있다. 프로세서는 마이크로프로세서, 마이크로제어기, 디지털 신호 프로세서, 마이크로컴퓨터, 중앙 처리 장치, 현장 프로그램 가능 게이트 어레이, 프로그램 가능 논리 디바이스, 상태 기계, 논리 회로, 아날로그 회로, 디지털 회로 및/또는 메모리에 저장된 작동 명령에 따라 신호(아날로그 또는 디지털)를 조작하는 기타 모든 디바이스로부터 선택된 하나 이상의 디바이스일 수 있다. 메모리는 읽기 전용 메모리(ROM), 랜덤 액세스 메모리(RAM), 휘발성 메모리, 비휘발성 메모리, 정적 랜덤 액세스 메모리(SRAM), 동적 랜덤 액세스 메모리(DRAM), 플래시 메모리, 캐시 메모리 및/또는 디지털 정보를 저장할 수 있는 기타 디바이스를 포함하지만 이에 국한되지 않는 단일 메모리 디바이스 또는 복수의 메모리 디바이스일 수 있다. 메모리는 또한 하드 드라이브, 광학 드라이브, 테이프 드라이브, 비휘발성 고체 상태 디바이스 및/또는 디지털 정보를 저장할 수 있는 임의의 다른 디바이스와 같은 대용량 저장 디바이스(미도시)를 포함할 수 있다. 프로세서는 메모리에 있는 작동 시스템의 제어 하에 작동할 수 있다.The
사용자 인터페이스(38) 및/또는 제어 패널(40)은 시스템 작업자가 제어기(36)와 상호작용할 수 있도록 제어기(36)에 통신 가능하게 연결될 수 있다. 사용자 인터페이스(38)는 비디오 모니터, 영숫자 디스플레이, 터치 스크린, 스피커 및/또는 시스템 작업자에게 정보를 제공할 수 있는 기타 적절한 오디오 및/또는 시각적 표시기를 포함할 수 있다. 제어 패널(40)은 영숫자 키보드, 포인팅 디바이스, 키패드, 푸시버튼, 제어 노브, 마이크로폰, 터치스크린 등과 같은 작업자로부터의 명령 및/또는 입력을 수용할 수 있는 하나 이상의 입력 디바이스를 포함할 수 있다. 이러한 방식으로, 사용자 인터페이스(38) 및/또는 제어 패널(40)은 예컨대 설정, 교정, 검사, 청소, 작동 등 동안 시스템 기능의 수동 개시 및/또는 제어를 가능하게 할 수 있다.
도 1b는 도 1a의 분배 조립체(14)를 실현할 수 있는 예시적인 분배 조립체(200)를 도시한다. 분배 조립체(200)는 유체 연결 인터페이스(220), 밸브 요소(214), 압전 구동 모듈(216), 압전 구동 모듈(216)과 결합된 가동 니들 또는 구동 핀(236), 및 압전 구동 모듈(216)을 수용하는 외부 커버(미도시)를 갖는 유체 모듈(212)을 포함할 수 있다. 그러나, 압전 구동 모듈(216)은 다른 유형의 구동 기술을 사용하여 구현될 수 있다. 분배 조립체(200)는 체적의 유체 물질을 기판 상으로 간헐적으로 분사하는 분사 디스펜서로서 작동할 수 있고, 체적의 유체 물질이 분사될 때 기판에 대해 이동할 수 있다. 분배 조립체(200)는 분사된 체적의 유체 물질의 연속이 이격된 물질 도트의 라인으로서 기판 상에 증착될 수 있도록 작동될 수 있다. 분배 조립체(200)에 의해 표적화된 기판은 다양한 표면 실장 전자 부품을 지지할 수 있으며, 이는 기판 상의 표적 위치에 유체 물질을 증착하기 위해 미세 체적의 유체 물질을 신속하고 정확한 배치로 비접촉 분사를 필요로 한다.1B shows an
유체 모듈(212)은 유체 연결 인터페이스(220)와 연통하는 노즐(228), 유체 모듈 본체(230), 유체 챔버(238) 등을 포함할 수 있다. 유체 모듈 본체(230)의 제1 섹션 또는 부분은 유체 입구(242)를 유체 챔버(238)에 유체 연통하게 결합하는 통로(247) 및 유체 입구(242)를 포함할 수 있다. 유체 도관(미도시)은 유체 모듈(212)을 유체 소스 내부에 포함된 유체 물질와 유체 연통하도록 배치하고 압력 하에 유체 물질을 유체 소스로부터 유체 연결 인터페이스(220)로 공급하기 위해, 유체 소스(예: 가압 유체 소스)로부터 유체 입구(242)로 연장될 수 있다. 이 실시예에서, 유체 도관은 일반적으로 임의의 개재 구조 없이 유체 소스의 출구를 유체 연결 인터페이스(220)와 직접 연결하는 튜브의 길이이다. 일 실시예에서, 유체 연결 인터페이스(220)는 루어 피팅(Luer fitting)을 포함한다.The
유체 모듈 본체(230)의 제2 부분(245)은 노즐(228)을 지지하도록 구성될 수 있다. 센터링 피스(centering piece;246)는 노즐(228)의 유체 출구(248)를 유체 모듈 본체(230)의 제2 부분(245)을 통해 연장하는 통로(250)와 정렬할 수 있다. 밸브 시트(252)는 유체 입구(242)와 유체 출구(248) 사이에 배치된다. 밸브 시트(252)는 유체 출구(248)와 유체 연통하는 개구(256)를 가질 수 있다. 센터링 피스(246)는 노즐(228)의 유체 출구(248), 유체 모듈 본체(230)의 제2 부분(245)의 통로(250), 및 밸브 시트(252)의 개구(256)를 동심 정렬로 유지한다. The
분배 조립체(200)는 가동 요소(260)의 벽(262) 형태의 스트라이크 플레이트를 추가로 포함할 수 있다. 가동 요소(260)와 주변적으로 접촉하는 바이어싱 요소(268)는 축방향 스프링 힘을 가동 요소(260)에 인가하도록 구성될 수 있다. The dispensing
밀봉 링(264)은 인서트(263)와 가동 요소(260)의 외부 사이의 밀봉 결합을 구현하는 데 사용될 수 있다. 밀봉 링 또는 O-링(264) 아래에 있는 가동 요소(260)의 부분은 유체 챔버(238)의 경계 부분을 한정한다. 가동 요소(260)는 밸브 요소(214)를 포함할 수 있다. 밸브 요소(214)는 가동 요소(260)의 벽(262)과 밸브 시트(252) 사이의 위치에서 유체 챔버(238) 내부에 위치된다.The sealing
구동 핀(236)은 유체 모듈 본체(230)의 제3 부분(232)에서 보어(266)를 통해 돌출할 수 있다. 구동 핀(236)의 팁(234)은 가동 요소(260)의 벽(262)에 인접하게 그리고 밸브 요소(214)로부터 벽(262)의 반대쪽에 위치될 수 있다. 밸브 요소(214)가 유체 챔버(238) 내부에 포함된 유체 물질에 노출되는 동안, 구동 핀(236)을 포함하는 보어(266)는 유체 챔버(238) 내의 유체 물질로부터 격리될 수 있으므로 구동 핀(236)은 유체 물질에 의해 젖지 않는다. 결과적으로, 모듈식 분사 디바이스(210)의 구성은 구동 핀(236)에 대한 구동 또는 작동 메커니즘(예: 압전 구동 모듈(216))을 유체 챔버(238)의 유체 물질로부터 격리시키면서 구동 핀(236)의 동력식 운동을 허용하는 종래의 유체 밀봉을 생략할 수 있다. The
구동 핀(236)은 밸브 요소(214)와 간접적으로 결합될 수 있고 압전 구동 모듈(216) 또는 다른 구동 모듈의 구성요소로서 작동할 수 있다. 구동 핀(236)과 밸브 요소(214)는 모듈식 분사 디바이스(210)로부터 분사함으로써 유체 물질을 분배하기 위해 공동으로 협력할 수 있다. 구동 핀(236)이 밸브 요소(214)가 밸브 시트(252)와 접촉하게 하도록 이동할 때, 구동 핀(236)의 팁(234)은 가동 요소(260)의 벽(262)을 쳐서 그 힘과 운동량을 벽(262)에 전달함으로써 해머의 작동과 매우 유사하게 작동할 수 있으며, 이는 결국 밸브 요소(214)가 밸브 시트(252)를 빠르게 치게 하고 방울, 스트림 및/또는 분사 디바이스로부터의 불연속 체적의 물질을 분사하게 한다. 구체적으로, 구동 핀(236)과 직접 연결되지 않은 밸브 요소(214)는 구동 핀(236)의 팁(234)에 의해 가동 요소(260)의 벽(262)에 가해지는 충격에 의해 밸브 시트(252)와 접촉하도록 이동되도록 구성될 수 있다. 결과적으로, 구동 핀(236)이 작동되고 팁(234)을 포함하지만 이에 국한되지 않는 구동 핀(236)의 어떤 부분도 분사된 유체 물질에 적셔지지 않고 체적의 유체 물질이 유체 챔버(238)로부터 분사된다. 구동 핀(236)과 벽(262) 사이의 접촉이 제거될 때, 바이어싱 요소(268)에 의해 가해지는 축방향 스프링 힘은 밸브 요소(214)와 가동 요소(260)를 밸브 시트(252)로부터 멀어지게 구동 핀(236)의 길이방향 축과 정렬된 방향으로 이동시키도록 작용한다. 구동 핀(236) 및 밸브 요소(214)의 각각의 왕복 주기는 유체 물질의 방울, 스트림 또는 불연속 체적을 분사한다. 주기는 필요에 따라 유체 물질의 순차적인 방울을 분사하도록 반복된다.The
밸브 시트(252)를 향하는 밸브 요소(214)의 표면은 개구(254)를 둘러싸는 밸브 시트(252)의 표면의 형상과 일치하는 곡률을 가질 수 있다. 형상 일치의 결과, 밸브 요소(214)가 분사 동안 밸브 시트(252)와 접촉 관계를 가질 때, 유체 밀봉이 일시적으로 형성된다. 밸브 요소(214)의 운동 동안 유체 밀봉의 설정은 밸브 시트(252)를 지나는 유체 챔버(238)로부터의 유체 물질의 흐름을 정지시킨다.The surface of the
도 1c는 압전 구동 모듈(216)의 상세도를 도시한다. 압전 구동 모듈(216)은 유체 모듈(212)의 밸브 요소(214)를 작동시키는 데 사용될 수 있다. 압전 구동 모듈(216)은 제어기(예: 도 1a의 제어기(36))로부터의 제어 신호에 따라 작동할 수 있다. 본 실시예에서, 압전 구동 모듈(216)은 압전 스택(292a, 292b)(집합적으로 압전 스택(292)), 플런저(293) 및 비대칭 굴곡부(flexure;294)를 포함한다. 비대칭 굴곡부(294)는 액추에이터 본체(274)의 일체형 부분일 수 있으며 및 비대칭 굴곡부(294)를 플런저(293)에 연결하는 커플링 요소(297)를 포함할 수 있다. 스프링(296)은 플런저(293)와 압전 스택(292a, 292b)에 스프링력을 가하여 압축 상태를 유지하도록 구현될 수 있다.1C shows a detailed view of the
플런저(293)는 압전 스택(292)을 비대칭 굴곡부(294)와 연결하는 기계적 인터페이스로서 기능할 수 있다. 스프링(296)에 의해 생성된 스프링력이 압전 스택(292)에 일정한 부하를 가하도록 스프링(296)은 조립체에서 압축될 수 있고, 이는 압전 스택(292)에 예압을 가한다. 금속으로 구성될 수 있는 비대칭 굴곡부(294)는 구동 핀(236)의 팁(234) 반대편에 있는 구동 핀(236)의 단부로 물리적으로 고정되는 암(295)을 갖는다. 비대칭 굴곡부(294)는 압전 스택(292)의 상대적으로 작은 변위를 압전 스택(292)의 변위보다 상당히 큰 구동 핀(236)에 대한 유용한 변위로 변환할 수 있는 기계적 증폭기로서 기능한다.The
압전 구동 모듈(216)의 압전 스택(292)은 종래 기술에서와 같이 전도체의 층과 교대하는 압전 세라믹의 층으로 구성된 라미네이트일 수 있다. 스프링(296)으로부터의 스프링력은 압축의 정상 상태에서 압전 스택(292)의 적층된 층을 유지한다. 압전 스택(292)의 전도체는 펄스 폭 변조, 주파수 변조, 또는 이들의 조합과 함께 당업계에 잘 알려진 방식으로 전류 제한 출력 신호를 공급하는 드라이버 회로와 전기적으로 결합된다. 구동 회로(298)로부터 전력이 주기적으로 공급될 때, 압전 스택(292)에서 압전 세라믹 층의 치수를 변경하는 전계가 설정된다.The
비대칭 굴곡부(294)에 의해 기계적으로 증폭되는 압전 스택(292)에 의해 경험되는 치수 변화는 구동 핀(236)을 그 길이방향 축에 평행한 방향으로 선형으로 이동시킨다. 압전 스택(292)의 압전 세라믹 층이 팽창할 때, 스프링(296)은 팽창의 힘에 의해 압축되고 비대칭 굴곡부(294)는 고정된 피봇축을 중심으로 선회하여 구동 핀(236)의 팁(234)이 위쪽으로 그리고 가동 요소(260)의 벽(262)으로부터 멀어지게 이동하게 한다. 이것은 바이어싱 요소(268)가 밸브 시트(252)로부터 멀리 밸브 요소(214)를 이동시키는 것을 허용한다. 작동력이 제거되고 압전 스택(292)의 압전 세라믹층이 수축하도록 허용될 때, 스프링(296)이 팽창하고 비대칭 굴곡부(294)가 선회하여 구동 핀(236)을 아래쪽으로 이동시켜 팁(234)이 벽(262)과 접촉하도록 이동하여, 밸브 요소(214)가 밸브 시트(252)와 접촉하고 방울, 스트림 및/또는 불연속적인 물질의 체적을 분사하게 한다. 따라서, 전원이 차단된 상태에서, 압전 구동 모듈(216)은 밸브를 정상 폐쇄 위치에 유지한다. 정상 작동에서, 비대칭 굴곡부(294)는 압전 스택(292a, 292b)이 빠른 속도로 물질의 방울을 분사시키기 위해 가동 요소(260)의 벽(262)에 접촉하거나 접촉하지 않도록 구동 핀(236)의 팁(234)을 이동시키기 위해 활성화 및 비활성화됨에 따라 고정된 피봇 축을 중심으로 반대 방향으로 간헐적으로 흔들린다. The dimensional change experienced by the
도 2는 다른 기능들 중에서 분배 노즐(16)(미도시 - 도 1a 참조)로부터 분배된 유체 체적의 하나 이상의 이미지를 캡처하고 및/또는 분배 노즐(16)로부터 분배된 유체 체적의 특성을 측정하도록 구성된 예시적인 서비스 스테이션(28)을 도시한다. 도시된 바와 같이, 서비스 스테이션(28)은 위치 교정 스테이션(50), 터치 센서 스테이션(52), 퍼지 스테이션, 칭량 스테이션, 분배 교정 스테이션(58) 및/또는 등 중에서 하나 이상을 지지하는 플랫폼을 포함할 수 있다. 2 illustrates, among other functions, to capture one or more images of a volume of fluid dispensed from the dispense nozzle 16 (not shown - see FIG. 1A ) and/or to measure a characteristic of the volume of fluid dispensed from the dispense
위치 교정 스테이션(50)은 분배 노즐(16)의 x/y-위치를 교정하도록 구성될 수 있다. 예컨대, 위치 교정 스테이션(50)은 카메라(20) 및/또는 제어기(36)에 신호를 생성하는 높이 센서(21)에 의해 캡처될 수 있는 고정 기준 점을 제공할 수 있다. 그 다음, 제어기(36)는 신호에 기초하여 카메라 및/또는 높이 센서(21)의 x/y-위치를 교정할 수 있다.The
터치 센서 스테이션(52)은 분배 노즐(16)의 z-위치를 교정하도록 구성될 수 있다. 예컨대, 분배 노즐(16)은 접촉이 터치 센서 스테이션(52)의 압력 감지 영역에 의해 초기에 감지될 때까지 터치 센서 스테이션(52)을 향해 하강될 수 있다. 분배 노즐(16)에 의한 초기 접촉에 기초하여, 신호가 터치 센서 스테이션(52)에 의해 생성되고 제어기(36)로 전송된다. 제어기(36)는 분배 노즐(16)의 z-위치를 교정할 수 있다.The
퍼지 스테이션(54)은 분배 노즐(16)로부터 폐기물을 제거하도록 구성될 수 있다. 예컨대, 퍼지 스테이션(54)은 분사 노즐의 표면에서 유체 또는 점성 물질 및/또는 세정 물질을 흡입하기 위해 음압(negative pressure)을 생성하도록 구성된 진공 소스를 포함할 수 있다. 진공 물질은 플랫폼(48) 아래에 위치한 저장소(미도시)에 증착될 수 있다.The
칭량 스테이션(56)은 분배 시스템(10)의 물질을 교정하도록 구성될 수 있다. 예컨대, 칭량 스테이션(56)은 디스펜서에서 하나 이상의 방울을 받아 무게를 측정하도록 구성된 저울, 로드 셀, 힘 변환기, 스트레인 게이지 등을 포함할 수 있다. 그 다음, 저울은 중량을 나타내는 신호를 생성할 수 있고, 이는 제어기(36)로 전송된다. 물질의 중량에 기초하여, 제어기(36)는 분배 노즐(16)에 의해 증착된 물질을 교정할 수 있다.The weighing
분배 교정 스테이션(58)은 유체의 양이 분배 노즐(16)로부터 분배됨에 따라 유체의 양의 하나 이상의 이미지를 캡처하도록 구성될 수 있다. 유체의 양은 유체의 체적, 유체의 크기, 유체의 무게, 유체의 형상, 및/또는 분배되는 유체의 기타 물리적 특성으로 식별되거나 또는 이들을 지칭하는 것일 수 있다. 본 출원 전반에 걸쳐, 유체의 양은 유체의 체적으로 지칭될 수 있지만, 유체의 양은 위에 나열된 것과 같은 다른 물리적 속성에 의해 식별될 수 있고 참조된 유체의 체적이 유체의 양에 대한 설명이며 반드시 참조에 불연속적인 양의 체적을 부여하는 것은 아님을 이해해야 한다. 추가적으로 또는 대안적으로, 분배 교정 스테이션(58)은 유체의 양이 분배 노즐(16)로부터 분배됨에 따라 속도, 폭, 직경, 길이, 형상 또는 방향성과 같은 유체의 양의 하나 이상의 특성을 측정하도록 구성될 수 있다. 이와 같이, 분배 교정 스테이션(58)은 이미징 조립체(62) 및 유체 샘플 양을 포착하고 유지하기 위한 리셉터클(64)을 포함할 수 있다. 이미징 조립체(62)는 유체량이 분배 노즐(16)과 리셉터클(64) 사이에서 비행하는 동안 유체량의 하나 이상의 이미지를 캡처할 수 있다. 일부 양태에서, 이미징 조립체(62)는 유체량이 여전히 분배 노즐(16)과 접촉하고 있는 동안 유체량의 하나 이상의 이미지를 캡처할 수 있다. 일부 양태에서, 이미징 조립체(62)는 유체량이 적합한 기판 상에 증착된 후 유체량의 하나 이상의 이미지를 캡처할 수 있다. 분배 교정 스테이션(58)에 의해 측정된 이미지 및/또는 다른 특성은 분배 조립체(14)를 포함하는 분배 시스템(10)의 하나 이상의 작동 파라미터를 조정하기 위해 기계 학습 도구에 입력되는 것과 같은 추가 처리를 위해 제어기(36)로 전송될 수 있다. Dispense calibration station 58 may be configured to capture one or more images of an amount of fluid as it is dispensed from dispensing
도 2에 도시된 실시예에서, 이미징 조립체(62)는 광원(66) 및 광원(66)과 반대 정렬된 광 센서 조립체(68)를 포함한다. 광 센서 조립체(68)는 예컨대 카메라를 포함할 수 있다. 카메라는 하나 이상의 렌즈, 셔터, 전하 결합 소자(CCD) 등을 포함할 수 있다. 광원(66)은 분배된 유체 체적의 비행 경로를 가로질러 광 빔을 간헐적으로 스트로보(strobe)하거나 투사할 수 있다. 광원(66)은 광 빔이 분배된 유체 체적의 비행 경로에 수직이도록 위치될 수 있다. 광 센서 조립체(68)는 광원(66)으로부터의 광 빔을 통과할 때 유체 체적의 이미지 또는 다른 표현을 캡처하기 위해 광원(66)에 대해 위치될 수 있다. 비록 본 실시예의 이미징 조립체(62)가 광원 및 광 센서 조립체 쌍의 관점에서 설명되지만, 이미징 조립체(62)는 그렇게 제한되지 않으며, 유체 체적의 특성을 측정하거나 결정하기 위해 다른 유형의 장치가 사용될 수 있다. 또한 이미징 장치나 기술 자체를 사용하여 유체 체적 특성을 측정하거나 결정해서는 안 된다.In the embodiment shown in FIG. 2 ,
다른 실시예에서, 이미징 조립체(62)는 광원(66) 및 광 센서 조립체(68)의 다중 쌍을 포함할 수 있다. 예컨대, 이미징 조립체(62)는 배열 상태의 제1 페어링 및 제2 페어링을 포함할 수 있고, 여기서 제1 페어링의 광 빔은 제2 페어링의 광 빔에 수직이다.In other embodiments,
이미징 조립체(62)는 서비스 스테이션(28) 내에서 이미징 조립체(62) 및 리셉터클(64)의 배열에서 설계 유연성을 허용할 수 있는 하나 이상의 각진 거울을 추가로 포함할 수 있다. 광원(66), 광 센서 조립체(68), 또는 양자 모두는 광원(66)으로부터의 광 빔을 재지향시키는 하나 이상의 거울 덕분에 서비스 스테이션(28) 내에 수직으로 위치될 수 있다. 예컨대, 이미징 조립체(62)는 광원(66)과 연관된 제1 거울(70) 및 광 센서 조립체(68)와 연관된 제2 거울(72)을 포함할 수 있다. 제1 거울(70)은 광원(66)으로부터의 광 빔이 분배된 유체 체적의 이동 경로를 통해 반사되도록 광원(66)에 대해 위치될 수 있다. 제2 거울(72)은 광 센서 조립체(68)에 광 빔을 반사하도록 위치될 수 있다.
작동시, 분배 교정 스테이션(58)과 연관하여, 분배 시스템(10)은 생산 모드 또는 서비스 모드에서 선택적으로 작동할 수 있다. 생산 모드에서, 분배 조립체(14)는 생산 영역(26) 위에 및 기판(18)에 근접하게(예: 바로 위에) 위치될 수 있다. 이 위치에서, 분배 조립체(14)는 기판(18)의 표면 상에 유체를 분배할 수 있다. 분배 조립체(14)는 연속적인 기판(18)의 표면 상에 유체를 추가로 분배할 수 있다.In operation, in association with the dispensing calibration station 58 , the dispensing
서비스 모드에서, 생산 모드의 분배 동작은 중단되고 분배 조립체(14)는 특히 서비스 스테이션(28) 및 분배 교정 스테이션(58)에 근접하게 위치된다. 서비스 모드는 예컨대 사전 설정된 간격으로 또는 수동 작업자 입력에 응답하여 시작될 수 있다. 서비스 모드에서, 폐쇄 루프 분배 공정 제어 또는 그 일부가 수행될 수 있다. 폐쇄 루프 분배 공정 제어 또는 그 일부가 완료된 후, 분배 시스템(10)은 생산 모드로 다시 진입하고 분배 조립체(14)를 기판(18) 위에 위치시켜 상기 기판(18)을 처리할 수 있다. 추가적으로 또는 대안적으로, 폐쇄 루프 분배는 공정 제어 또는 그 일부는 생산 모드에 있는 동안 수행될 수 있다. 따라서, 이미징 조립체(62)와 같은 분배 교정 스테이션(58) 또는 그 부분은 유체 체적이 기판(18) 상에 분배될 때 생산 영역(26)에 위치되어 유체 체적의 이미지를 캡처할 수 있다(또는 그렇지 않으면 유체 체적의 다양한 특성을 측정할 수 있음). 일부 양태에서, 분배 교정 스테이션(58) 또는 그 일부는 유체가 기판(18) 상에 분배된 후 유체 체적의 이미지를 추가로 또는 대안적으로 캡처할 수 있다.In the service mode, the dispensing operation in the production mode is stopped and the dispensing
도 3은 분배 노즐(316)을 갖는 분배 조립체(314)와 함께 예시적인 분배 교정 스테이션(358)의 적어도 일부의 측면도를 도시한다. 분배 교정 스테이션(358)은 이미징 조립체(362) 및 대응하는 리셉터클(364)을 포함한다. 분배 교정 스테이션(358)은 표면(376)을 포함할 수 있다. 분배 교정 스테이션(358), 이미징 조립체(362), 리셉터클(364), 분배 조립체(314), 및 분배 노즐(316)은 일부 양태에서 도 1a 및 도 2의 분배 교정 스테이션(58), 이미징 조립체(62), 리셉터클(64), 분배 조립체(14), 분배 노즐(16)과 각각 유사할 수 있다.3 shows a side view of at least a portion of an exemplary
분배 교정 스테이션(358)은 광원(366) 및 광 센서 조립체(368)를 포함하는 이미징 조립체(362)를 포함할 수 있다. 광 센서 조립체(368)는 카메라를 포함할 수 있다. 발광 다이오드(LED)(380)는 광원(366)에 의해 투사되는 광 빔(378)을 생성할 수 있다. 광 센서 조립체(368) 및 광원(366)은 분배 조립체(314)의 분배 노즐(316)로부터 분배된 유체 체적(374)의 비행 경로의 반대 정렬로 배열될 수 있다. 제1 각진 거울(370)은 광원(366)으로부터의 광 빔(378)을 수평 방향으로 반사시킨다. 제2 각진 거울(372)은 광 빔(378)이 적어도 부분적으로 유체 체적(374)을 통과한 후에 광 센서 조립체(368)에 수직 방향으로 수평 광 빔(378)을 반사시킨다.The dispensing
광 센서 조립체(368)는 유체 체적(374)이 분배될 때 유체 체적(374)의 하나 이상의 이미지를 캡처할 수 있다. 일부 양태에서, 광 센서 조립체(368)는 예컨대 이미지 스티칭(image stitching)을 사용하여 유체 체적(374)의 하나보다 많은 표현을 포함하는 합성 이미지를 캡처할 수 있다. 광 빔(378)은 광원(366)으로부터의 광의 간헐적 시리즈 또는 스트로브를 포함할 수 있다. 간헐적 또는 스트로브 광 빔은 유체 체적이 광 빔(378)을 통과할 때 광 센서 조립체(368)가 유체 체적(374)의 다중 표현을 캡처하도록 할 수 있다. 유체 체적(374)의 그러한 다중 표현은 예컨대 유체 체적(374)의 방향성 또는 유체 체적(374)의 속도를 결정하는 것을 용이하게 할 수 있다. 일부 양태에서, 광 빔(378)은 광원(366)으로부터 광의 연속 투사를 표현할 수 있다. 이 경우, 고속 비디오 캡처 시스템은 유체 체적(374)이 연속 광 스트림을 통과할 때 유체 체적(374)의 이미지를 캡처하는 데 사용할 수 있다.The
분배 교정 스테이션(358)이 광원(366) 및 광 센서 조립체(368)가 수직 배향으로 도시되어 있지만, 광원(366) 및 광 센서 조립체(368) 중 하나 이상이 수평으로 배향될 수 있다는 것이 고려된다. 광원(366) 및/또는 광 센서 조립체(368)의 이러한 수평 배향은 제1 및 제2 거울(370, 372) 중 하나 이상에 대한 필요성을 제거할 수 있다.Although dispensing
도 4는 일 실시예에 따른 예시적인 분배 교정 스테이션(458)의 측면도를 도시한다. 분배 교정 스테이션(458)은 도 2 및 도 3에 도시된 단일 광 센서 조립체/광원 구성보다 수직 배열로 2개의 광 센서 조립체/광원 쌍으로 구성될 수 있다. 또한, 분배 교정 스테이션(458)은 도 2 및 도 3에 도시된 리셉터클이 아니라 기판 상에 분배될 때 분배된 유체 체적의 이미지를 캡처하도록 구현된다. 이와 같이, 분배 교정 스테이션(458)은 유체(474)의 체적을 기판(488)에 적용하도록 구성된 분배 노즐(416)을 갖는 분배 조립체(414)를 포함한다. 기판(488)에 적용되는 유체(474)의 체적은 유체 증착물(475)로 지칭될 수 있다. 비행 유체 체적(474)은 고스트 표현에서 여러 점진적인 경우에 걸쳐 도시된다.4 shows a side view of an exemplary
제1 광 센서 조립체(468a)(예: 카메라)는 반대편의 제1 광원(466a)으로부터의 광 빔(478)을 통해 유체 체적(474)의 이미지를 캡처할 수 있다. 비행 유체 체적(474)의 이미지는 제2 광원(미도시)과 함께 제2 광 센서 조립체(468b)에 의해 추가적으로 또는 대안적으로 캡처될 수 있다. 제1 광 센서 조립체(468a)/제1 광원(466a) 쌍 및 제2 광 센서 조립체(468b)/제2 광원 쌍은 서로 수직 관계로 위치될 수 있다. 제1 광 센서 조립체(468a) 및 제2 광 센서 조립체(468b)에 의해 캡처된 이미지는 둘 다 특정 체적의 유체(474)와 연관될 수 있고 둘 다 처리를 위해 제어기에 독립적으로 제공될 수 있다. 추가적으로 또는 대안적으로, 제1 및 제2 광 센서 조립체(468a,b)에 의해 캡처된 이미지는 유체 체적(474)의 합성 이미지 또는 다른 표현을 형성하고 처리를 위해 제어기에 의해 사용될 수 있다. 예컨대, 3차원 모델이 생성될 수 있다.A first
일 양태에서, 분배 교정 스테이션(458)은 서비스 모드에서 사용하기 위해 구현될 수 있다. 예컨대, 분배 교정 스테이션(458)은 도 1a 및 도 2의 서비스 스테이션(28)에서 구현될 수 있다. 이와 같이, 기판(488)은 유체 체적(474)을 수용하기 위해 분배 교정 스테이션(458)의 표면(476) 상에 위치된 샘플 기판을 포함할 수 있다. 기판(488)은 생산 영역(26) 및/또는 생산 모드에서 발견되는 것과 유사한 유형(예: 인쇄 회로 기판)일 수 있다. 기판(488)은 컨베이어 벨트와 유사한 방식으로 이동하도록 구성될 수 있지만, 반드시 연속적인 움직임일 필요는 없다. 기판(488)은 종이 제품 또는 가요성 플라스틱과 같은 가요성 물질로 만들어질 수 있고, 샘플 기판의 롤 피드(roll feed)로부터 공급될 수 있다.In an aspect, the distributed
다른 양태에서, 분배 교정 스테이션(458)은 생산 모드에서 사용하기 위해 구현될 수 있다. 예컨대, 분배 교정 스테이션(458)은 도 1a의 생산 영역(26)에서 구현될 수 있다. 따라서, 기판(488)은 생산 기판을 포함할 수 있다. 이러한 기판은 작업자 또는 로봇 팔과 같은 자동화 메커니즘에 의해 생산 영역에 배치될 수 있다. 추가적으로 또는 대안적으로, 생산 기판은 하나 또는 이상의 체적의 유체(474)를 각각 수용하기 위해 분배 노즐(416) 아래로 운반되는 하나 또는 일련의 기판일 수 있다. 분배 교정 스테이션(458)은 유체의 체적 각각에 대한 이미지를 캡처할 수 있거나 유체 체적의 하위 집합 이미지(예: 미리 결정된 간격으로)를 캡처할 수 있다. In another aspect, the dispensing
도 4에는 기판(488) 상의 유체 증착물(475)의 하나 이상의 "위성"(492)의 예가 추가로 도시되어 있다. 위성은 기판(488) 위의 비행 유체 체적(474)의 충격으로 인해 형성되는 작은 공중 방울(490)의 결과일 수 있다. 유체 증착물(475)과 엄격하게 인접하지는 않지만, 문맥상 명백하게 달리 지시하지 않는 한, 공중 방울(490) 및 위성(492)은 유체 증착물(475)의 일부로서 고려될 수 있다.Further illustrated in FIG. 4 are examples of one or more “satellites” 492 of
기계 학습 도구의 트레이닝Training of machine learning tools
도 5는 분배된 유체의 양, 예컨대 분배 디바이스(예: 도 1a의 분배 노즐(16)을 갖는 분배 조립체(14))에 의해 분배된 유체의 체적의 분류(결함 또는 기타)를 결정하도록 구성된 기계 학습 도구(510)를 트레이닝하는 데 사용될 수 있는 흐름도(500)를 예시한다. 분배 데이터(502)는 유체가 분배되는 것에 응답하여, 그 이전에, 또는 그와 동시에 수집될 수 있다. 분배 데이터(502)는 유체 이미지(504) 및/또는 하나 이상의 작동 파라미터(506)를 포함할 수 있다. 도 5에 도시된 바와 같이, 유체의 체적이 분배되고 유체 체적 이미지(504)가 수집된다. 바람직한 실시예에서, 이미지는 (예: 도 9a 내지 도 10c에 도시된 바와 같이) 분배 디바이스 노즐로부터 기판으로 이동할 때 분배된 체적의 비행 이미지이다. 체적을 분배하는 것과 연관된 작동 파라미터(506)도 수집될 수 있다. 작동 파라미터(506)는 아래에서 상세히 논의될 것이다. 유체 체적이 분배되어 기판에 떨어진 후, 작업자는 위성을 기판 상의 분배된 체적의 일부 또는 노즐 상의 축적물로 관찰하여 해당 조건으로 체적 또는 분배된 체적 그룹을 분배한 결과를 보고, 및 분배된 체적에 분류(524)를 할당한다. 이미지(504) 및 분배된 체적(들)과 연관된 파라미터(506)로 구성된 분배 데이터(502), 및 분배된 체적(들)에 할당된 분류(524)는 기계 학습 도구를 트레이닝시키기 위해 기계 학습 도구(510)에 입력되어 그 결함 분류(524)를 이미지(504) 및 파라미터(506)와 연관시킨다. 그 다음, 다른 체적이 분배되고 트레이닝 주기가 반복된다. 기계 학습 도구(510)가 다양한 유형의 이미지(504) 및 이미지와 연관된 체적을 분배하는 데 사용된 파라미터(506)를 이미지(504)에 의해 표시되는 결함 분류(524)와 연관시키도록 트레이닝될 때까지 주기가 계속 반복된다.5 is a machine configured to determine an amount of fluid dispensed, such as a classification (defect or otherwise) of a volume of fluid dispensed by a dispensing device (eg, dispensing
모든 트레이닝 주기는 기계 학습 도구(510)를 추가로 트레이닝하거나 업데이트한다. 따라서, 기계 학습 도구(510)에 대한 추가 업데이트는 추가 분배된 유체 체적의 추가 비행 이미지(504)의 입력 및 작동자에 의해 결정된 분배된 체적의 대응하는 분류(524) 뿐만 아니라 그러한 유체 체적이 분배된 작동 파라미터(506)에 기초할 수 있다. 그러나, 위의 공정이 분배된 유체의 비행 이미지를 사용하여 기계 학습 도구(510)를 트레이닝하는 것을 설명하지만, 유체가 비행중이고 여전히 분배 노즐에 부착되어 있을 때, 유체가 비행중이고 분배 노즐에서 분리되어 있고 분배 노즐과 기판 사이에 있을 때, 유체가 기판과 접촉할 때 또는 다른 분배 스테이지와 같이, 분배 공정의 다른 스테이지에서 분배된 유체의 이미지를 활용하는 유사한 공정(500)이 구현될 수 있음을 이해해야 한다. Every training cycle further trains or updates the machine learning tool 510 . Accordingly, further updates to the machine learning tool 510 include input of
분배된 체적의 비행 이미지Distributed volume flight image
이미지(504) 및 파라미터(506)는 언급된 바와 같이 분배 데이터(502)를 포함할 수 있다. 이미지(504)는 바람직하게는 위에서 언급한 바와 같이 비행 유체 체적 이미지(504)이다. 유체 체적 이미지(504)는 도 2의 광 센서 조립체(68)(예: 이미징 조립체(62)), 도 3의 광 센서 조립체(368), 또는 도 4의 제1 및/또는 제2 광 센서 조립체(468a,b)에 의해 캡처되었을 수 있다. 하나 이상의 유체 체적 이미지(504)는 단일 유체 체적과 연관될 수 있다. 예컨대, 제1 및 제2 광 센서 조립체(468a,b) 각각은 특정 유체 체적의 이미지를 제공할 수 있다. 추가적으로 또는 대안적으로, 유체 체적 이미지(504)는 유체 체적의 둘 이상의 표현을 묘사하는 합성 이미지를 포함할 수 있다. 또한, 유체 체적 이미지(504)는 3차원 모델 또는 유체 체적의 다른 표현을 포함할 수 있다.
예시적인 이미지(504)가 도 9a 내지 도 10c에 도시되어 있다. 도 9a 내지 도 10c는 분배 스테이지 동안 비행 유체를 도시한다. 도 9a 내지 도 10c는 분배의 상이한 결과와 연관된 다양한 이미지를 도시한다. 예컨대, 도 9a에 도시된 바와 같은 유체의 분배는 분배 노즐 상에 유체의 축적을 초래하고; 도 9b에 도시된 바와 같은 유체의 분배는 유체의 바람직한 적용을 초래하고; 및 도 9c에 도시된 바와 같은 유체의 분배는 기판 상에 위성의 형성을 초래한다. 도 9a 내지 도 9c에 도시된 3개의 이미지는 예시적이며 본 개시를 제한하도록 의도되지 않는다는 것이 이해될 것이다. 이미지(504)의 또 다른 예시적인 세트가 도 10a 내지 도 10c에 도시되어 있으며, 이는 도 9a 내지 도 9c에 도시된 것과 상이한 분배 스테이지 동안 분배 유체가 비행 하고 있다. 도 10a 내지 도 10c는 도 9a 내지 도 9c에 도시된 유체보다 노즐로부터 추가로 멀리 떨어져 있는 비행 유체의 이미지를 도시한다. 도 9a 내지 도 9c와 유사하게, 도 10a, 도 10b 및 도 10c는 각각 분배 노즐 상의 유체 축적, 유체의 바람직한 적용 및 기판 상의 위성의 형성을 초래하는 유체의 분배를 도시한다.An
유체 체적 이미지(504)는 일반적으로 대상 유체 체적이 분배 디바이스 노즐과 기판 사이에서 비행하는 동안의 대상 유체 체적의 측면도를 포함한다. 명세서 전체에 걸쳐 사용된 "비행(in-flight)"은 노즐과의 접촉이 끊어졌지만 아직 기판과 접촉하지 않은 분배된 유체 체적을 나타낼 수 있다. "비행"은 또한 노즐과의 접촉이 아직 끊어지지 않은 분배된 유체 체적을 지칭할 수 있으며, 따라서 노즐과 접촉하지만 기판과는 접촉하지 않는 유체 체적을 설명할 수 있다. "비행"은 또한 유체의 연장된 라인이 점 대신 기판에 증착되는 경우와 같이, 초기에 기판과 접촉했지만 여전히 노즐과 접촉 상태를 유지하는 분배된 유체 체적을 나타낼 수 있다.
유체 체적 이미지(504)는 기계 학습 도구(510)에 대한 입력으로서 이미지의 유용성을 향상시킬 수 있는 사전 입력 처리를 받을 수 있다. 예컨대, 유체 체적 이미지(504)는 (예: 경계 박스 및 라벨을 통해) 유체 체적 이미지(504)의 여러 부분들을 식별하도록 처리될 수 있다. 예컨대, 도 11을 참조하면, 유체 체적 이미지(504)의 일부는 유체 체적을 나타내는 부분(504a)으로서 식별될 수 있고, 체적 이미지(504)의 유체의 다른 부분은 유체 체적 자체의 분석을 용이하게 하기 위해 노즐을 묘사하는 부분(504b)으로 식별될 수 있다. 유체 체적 이미지(504)의 식별된 부분(504a 또는 504b)은 예컨대 이미지에 대한 메타데이터를 통해 또는 가시적인 텍스트 또는 그래픽 라벨(504c)을 통해 이미지 자체 내에서 그에 따라 라벨링될 수 있다. 또한, 유체 체적 이미지(504)는 예컨대 노즐을 나타내는 부분(504b)을 제거하기 위해 유체 체적을 나타내지 않는 유체 체적 이미지(504)의 적어도 일부 부분을 제거하기 위해 잘릴 수 있다.The
분배된 체적과 연관된 작동 파라미터Operating parameters associated with the dispensed volume
샘플 분배 데이터(502)는 바람직하게는 위에서 언급한 바와 같이 유체 체적이 분배된 분배 밸브와 연관된 하나 이상의 작동 파라미터(506)를 포함한다. 작동 파라미터(506)는 도 1b 및 도 1c의 예시적인 분배 조립체(200)를 포함하는 도 1a의 분배 시스템(10)의 구성요소 또는 분배 조립체(14)의 다른 구성요소일 수 있다. 예시적인 작동 파라미터(506)는 유체 체적을 분배하기 위해 밸브 시트와 맞물리도록 구성된 니들, 밸브 스템, 및/또는 다른 가동 요소(예: 도 1b의 밸브 요소(214))의 속도 및/또는 스트로크 길이를 포함한다. 일부 양태에서, 작동 파라미터(506)는 주변 온도, 분배되는 유체의 온도(예: 분배되는 유체의 온도, 비행 유체의 온도, 및/또는 유체가 기판 위에 증착될 때의 유체의 온도), 기판 온도 및/또는 등을 포함할 수 있다. 예시적인 작동 파라미터(506)는 또한 작동 타이밍, 액추에이터의 스트로크 길이(예: 도 1c의 압전 구동 모듈(216), 도 1b의 구동 핀(236) 등), 및/또는 다른 작동 파라미터와 같은 작동 프로파일과 연관될 수 있다. 다른 예시적인 작동 파라미터(506)는 분배 노즐 및 밸브의 개방 속도, 폐쇄 속도, 개방 시간 등을 포함할 수 있다. 예시적인 작동 파라미터(506)는 분배 노즐 및 밸브가 개방되고 폐쇄되는 빈도(즉, 유체 체적이 분배되는 빈도), 분배 디바이스에 제공되는 유체의 유체 압력 및 분배 노즐의 온도를 포함한다. 작동 파라미터(506)는 특히 유체 체적을 분배하는 동안 분배하는 동안 분배 디바이스의 배치, 속도 및 방향성을 포함하는, 유체 체적을 분배하는 동안의 분배 디바이스의 움직임과 연관될 수 있다. 작동 파라미터(506)는 또한 니들, 밸브 스템 또는 유체 체적을 분배하기 위해 밸브 시트와 맞물리도록 구성된 다른 가동 요소의 크기 및 노즐의 크기(예: 노즐의 출구 개구의 직경)을 포함하는 하드웨어 구성과 연관될 수 있다. 다른 작동 파라미터(506)는 밀도, 점도, 고체 유형 및 고체 함량을 포함하는 유체 자체의 특성과 연관될 수 있다. 더욱이, 작동 파라미터(506)는 유체 및/또는 분배 시스템(10)의 하나 이상의 물리적 특성을 포함할 수 있다.The
샘플 분배 데이터sample distribution data
샘플 분배 데이터(502)는 위에서 언급된 바와 같은 이미지(504) 및/또는 파라미터(506)를 포함할 수 있고 기계 학습 도구(510)에 대한 입력으로서 사용될 수 있는 다양한 다른 종류의 데이터를 포함할 수 있다. 예컨대, (예: 기판 상에) 증착된 체적의 유체의 중량이 샘플 분배 데이터(502)에 포함될 수 있다. 저울 또는 유사한 측정 디바이스가 도 2, 도 3 및 도 4의 분배 교정 스테이션(58, 358 또는 458)과 각각 통합되어 증착된 유체 체적의 중량을 측정한다. 유체 체적의 다양한 다른 특성이 샘플 분배 데이터(502)에 포함될 수 있다. 예컨대, 유체 체적 이미지(504)는 유체 체적의 하나 이상의 특성을 결정하기 위해 적어도 어느 정도 처리될 수 있으며 이러한 결정된 특성은 기계 학습 도구(510)에 입력될 수 있다. 일부 양태에서, 유체 체적 이미지(504) 및 유체 체적 이미지(504)로부터 결정된 하나 이상의 특성은 둘 다 기계 학습 도구(510)에 입력될 수 있다. 다른 양태에서, 유체 체적 이미지(504)로부터 결정된 특성은 기계 학습 도구(510)에 입력될 수 있지만 유체 체적 이미지(504) 자체는 그렇지 않다. 샘플 분배 데이터(502)에 포함될 수 있는 예시적인 유체 체적 특성은 속도, 폭, 직경, 길이, 형상, 방향성, 도트 속도, 스트림 폭, 도트 형상, 도트 질량, 도트 체적, 노즐 청결도, 손상 검사, 카트리지 식별, 도트 크기, 축적 검출, 위성 카운트, 배치 정확도, 도트 메트릭스, 거리 내 값, 거리 간 값, 2차원 클러스터링, 3차원 클러스터링 및/또는 등이다.
기계 학습 도구에 대한 단순화된 트레이닝 실험(도 6)A simplified training experiment for a machine learning tool (Figure 6)
도 6에 도시된 바와 같이, 분배 체적 A, B 및 C 각각의 이미지 IA, IB 및 IC의 세트가 분배 체적 A, B 및 C와 각각 연관된 설정 SA, SB 및 SC에 대해 캡처되는 단순화된 실험(600)이 수행될 수 있다. 이 실험에서 설정 SA는 느린 핀 속도일 수 있고, 설정 SB는 빠른 핀 속도일 수 있고, 설정 SC는 중간 핀 속도일 수 있다. 핀 속도는 니들 밸브 요소(214)가 도 1b의 밸브 시트(252)와 접촉하여 밸브로부터 분배된 체적을 분출 또는 분사하기 위해 하향으로 이동할 때 니들 밸브 요소(214)의 속도이다.As shown in Figure 6, a simplified experiment in which sets of images IA, IB and IC of dispensing volumes A, B and C, respectively, are captured for the settings SA, SB and SC associated with dispensing volumes A, B and C, respectively ( 600) can be performed. In this experiment, setting SA can be a slow pin speed, setting SB can be a fast pin speed, and setting SC can be a medium pin speed. The pin velocity is the velocity of the
이 실험에서, 분배 체적 A, B 및 C 각각에 대해, 작업자는 기판 상의 분배된 체적 또는 분배된 체적의 그룹을 보고 노즐 상에 분배된 물질의 축적이 있는지를 결정한다. 그런 다음 작업자는 Q1, Q2 및 Q3과 같은 분배 체적에 품질 비율(rating)을 할당한다. 기계 학습 용어로, Q1, Q2 및 Q3은 분류 시스템의 등급이다. 분류 시스템의 이러한 품질 비율은 예컨대 다음과 같다: Q1은 기판 상에 생성된 위성을 나타내고, Q2는 노즐 상의 물질의 축적을 나타내며, Q3은 위성 또는 축적이 없는 양호한 분배를 나타낸다.In this experiment, for each of the dispensed volumes A, B, and C, the operator looks at the dispensed volume or group of dispensed volumes on the substrate to determine if there is any buildup of dispensed material on the nozzle. The operator then assigns a quality rating to the dispensing volumes such as Q1, Q2 and Q3. In machine learning terms, Q1, Q2, and Q3 are the classes of the classification system. This quality ratio of the sorting system is, for example: Q1 represents the satellites created on the substrate, Q2 represents the accumulation of material on the nozzles, and Q3 represents a good distribution with no satellites or accumulations.
예컨대:for example:
분배 체적 A에 대해, 작업자는 이미지 IA 및 설정 SA와 연관될 품질 분류 Q2를 할당할 수 있다. 분류 Q2는 노즐에 물질의 축적이 존재하는 분배 결과와 연관되며 설정 SA는 느린 핀 속도와 연관이 있다는 사실을 주목하시오. 따라서 시스템은 이미지에 제시된 노즐에 축적된 물질을 느린 핀 속도와 연관시키도록 트레이닝된다.For dispensing volume A, the operator can assign a quality classification Q2 to be associated with image IA and set SA. Note that classification Q2 is associated with dispensing results where there is an accumulation of material in the nozzle, and set SA is associated with slower pin speeds. Thus, the system is trained to associate the accumulated material on the nozzles presented in the image with the slow pin speed.
분배 체적 B에 대해, 작업자는 이미지 IB 및 설정 SB와 연관될 품질 분류 Q1을 할당할 수 있다. 분류 Q1은 기판 상에 위성이 생성되는 분배 결과를 말하며, 설정 SB는 빠른 핀 속도를 의미한다. 따라서 시스템은 이미지에 제시된 기판 상에 생성된 위성을 빠른 핀 속도와 연관시키도록 트레이닝된다.For dispensing volume B, the operator can assign a quality classification Q1 to be associated with image IB and setting SB. Class Q1 refers to distribution results in which satellites are created on the substrate, and set SB refers to fast pin speeds. The system is thus trained to associate satellites created on the substrate presented in the image with fast pin speeds.
분배 체적 C에 대해, 작업자는 품질 분류 Q3을 할당할 수 있고, 이는 이미지 IC 및 설정 SC와 연관될 것이다. 분류 Q3은 양호한 분배(즉, 결함 없음)를 나타내고 설정 SC는 중간 핀 속도를 나타낸다. 따라서 이 단순화된 예에서, 시스템은 이미지에 표시된 것처럼 노즐 상의 위성이나 축적이 없는 유체 분배를 중간 핀 속도와 연관시키도록 트레이닝된다.For dispensing volume C, the operator can assign a quality classification Q3, which will be associated with image IC and set SC. Class Q3 indicates good distribution (ie, no defects) and set SC indicates medium pin speed. Thus, in this simplified example, the system is trained to associate fluid distribution with no satellites or build-up on the nozzles with the median pin velocity, as shown in the image.
도 9a 내지 도 9c의 예시적인 묘사를 참조하고, 전술한 실험(600)과 연관하여, 도 9a는 예컨대 노즐 상의 분배된 물질의 축적을 묘사하는 Q2로 분류될 수 있다. 도 9b는 Q3으로 분류될 수 있으며, 이는 결함이 없는 양호한 분배를 나타낸다(즉, 위성이 없고 노즐에 축적되지 않음). 도 9c는 기판에 위성이 형성되는 이미지를 나타내는 Q1으로 분류될 수 있다. 예시 도 10a, 도 10b, 도 10c는 유사하게 각각 Q2, Q3, Q1으로 분류될 수 있다. 도 9a 내지 도 10c는 예시적이며 위에서 설명된 실험(600)의 적용을 제한하도록 의도되지 않음이 이해될 것이다.Referring to the exemplary depiction of FIGS. 9A-9C , and in connection with the
기계 학습 도구(510)에 대한 입력은 복수의 상이한 유형의 입력 또는 입력 상이한 노드(node)를 포함할 수 있다. 예컨대, 하나의 입력 노드는 유체 체적 이미지(504)를 포함할 수 있다. 입력 노드는 유체 체적의 전체 캡처된 이미지보다는 유체 체적 이미지(504)의 일부를 포함할 수 있다. 일 양태에서, 입력 노드는 유체 체적 이미지(504)와 연관된 메타데이터를 포함할 수 있다. 이러한 메타데이터는 유체 체적 자체 및/또는 이미지 내의 노즐을 포함하는 유체 체적 이미지(504)의 특정 부분을 식별할 수 있다. 메타데이터는 유체 체적 이미지(504)의 식별된 부분에 대한 라벨을 포함할 수 있다. 기계 학습 도구(510)의 입력 노드는 또한 작동 파라미터(506)를 포함할 수 있다. 입력 노드는 또한 중량, 속도, 폭, 지름, 길이, 형상 및 방향성과 같은 유체 체적의 다른 특성을 포함할 수 있다. The input to the machine learning tool 510 may include a plurality of different types of inputs or input different nodes. For example, one input node may include a
기계 학습 도구(510)에 의해 예측된 결함 분류는 이전에 언급된 바와 같이 도구(510)의 분류 출력(520)으로서 특징지어질 수 있다. 분류 출력(520)은 일반적으로 유체 체적(예: 유체 체적 이미지(504)에 나타난 유체 체적)의 분류를 포함할 수 있다. 분류 출력(520)은 기계 학습 도구(510)의 출력 층(output layer)으로서 실현될 수 있다. 출력 층은 하나 이상의 출력 노드를 포함할 수 있다. 각각의 출력 노드는 후보(즉, 잠재적인) 유체 체적 분류에 해당할 수 있다. 일 양태에서, 분류 출력(520)은 복수의 분류를 포함(예: 복수의 출력 노드를 표시함)할 수 있다. 각각의 분류는 분류에 대한 확률을 나타낼 수 있다. 따라서, 분류 출력(520)은 유체 체적의 잠재적 분류에 대한 확률 분포(예: 범주형 분포)를 정의할 수 있다. 다른 양태들에서, 분류 출력(520)은 단일 분류를 포함(예: 단일 출력 노드를 식별)할 수 있다. 단일 분류는 분류에 대한 확률을 나타낼 수도 있다. 분류 출력(520)의 단일 분류는 복수의 출력 노드의 후보 분류 중 가장 확률이 높은 분류일 수 있다.The defect classification predicted by the machine learning tool 510 may be characterized as the classification output 520 of the tool 510 as previously mentioned. The classification output 520 may generally include a classification of a fluid volume (eg, the fluid volume shown in the fluid volume image 504 ). The classification output 520 may be realized as an output layer of the machine learning tool 510 . The output layer may include one or more output nodes. Each output node may correspond to a candidate (ie, potential) fluid volume classification. In an aspect, the classification output 520 may include a plurality of classifications (eg, indicating a plurality of output nodes). Each classification may represent a probability for the classification. Accordingly, the classification output 520 may define a probability distribution (eg, a categorical distribution) for a potential classification of a fluid volume. In other aspects, the classification output 520 may include a single classification (eg, identify a single output node). A single classification may represent a probability for a classification. A single classification of the classification output 520 may be a classification with the highest probability among candidate classifications of a plurality of output nodes.
분류는 유체 체적의 결함 또는 기타 특성을 나타낼 수 있다. 예컨대, 분류는 축적 결함, 위성 결함, 오배치 결함, 액체 체적(양) 결함, 형상 결함 또는 치수 결함을 나타낼 수 있다. 축적 결함은 노즐에 축적된 유체로 인해 유체 체적이 부정적인 영향을 받았거나 노즐에 유체가 축적되거나 둘 다 발생했음을 나타낼 수 있다. 위성 결함은 유체 체적이 기판 상의 위성 유체 체적과 연관(예: 원인)된다는 것을 나타낼 수 있다. 오배치 결함은 유체 체적이 기판에 잘못 배치되었음을 나타낼 수 있다. 액체 체적(양) 결함은 기판에 증착된 유체 체적의 볼륨(양, 예컨대, 밀리리터 또는 마이크로리터)이 체적 허용 오차를 벗어남을 나타낼 수 있다. 형상 결함은 증착된 유체 체적의 형상이 예컨대 2차원 이상의 비율과 연관하여 형상 허용오차를 벗어남을 나타낼 수 있다. 치수 결함은 기판에 증착된 유체 체적의 하나 이상의 치수가 치수 허용 오차를 벗어남을 나타낼 수 있다. 예컨대, 기판 상의 유체의 결과적인 점은 직경 허용 오차 위 또는 아래의 직경을 가질 수 있거나 유체 라인은 선 폭 허용 오차 위 또는 아래의 폭을 가질 수 있다. 일부 양태에서, 분류는 오배치 및 축적 결함 모두와 같은 둘 이상의 결함을 반영하는 복합 결함을 나타낼 수 있다. 분류는 결함이 없음을 나타낼 수도 있다. 즉, 무결함 분류는 유체 체적이 지정된 허용 오차 내에서 기판에 증착되었음을 나타낼 수 있다.Classification may indicate a defect or other characteristic of the fluid volume. For example, the classification may represent an accumulation defect, a satellite defect, a misplacement defect, a liquid volume (quantity) defect, a shape defect, or a dimensional defect. A build-up defect may indicate that the fluid volume was negatively affected by fluid build-up in the nozzle, fluid build-up in the nozzle, or both. A satellite defect may indicate that the fluid volume is associated with (eg, caused by) the satellite fluid volume on the substrate. Misplacement defects can indicate that the fluid volume has been misplaced on the substrate. A liquid volume (amount) defect may indicate that the volume (amount, eg, milliliters or microliters) of a volume of fluid deposited on the substrate is outside the volume tolerance. A shape defect may indicate that the shape of the deposited fluid volume is out of shape tolerance, for example with respect to ratios in two or more dimensions. A dimensional defect may indicate that one or more dimensions of a volume of fluid deposited on the substrate are outside of dimensional tolerances. For example, the resulting point of fluid on the substrate may have a diameter above or below the diameter tolerance or the fluid line may have a width above or below the line width tolerance. In some aspects, a classification may represent a complex defect that reflects two or more defects, such as both misplacement and accumulation defects. Classification may indicate the absence of defects. That is, a defect-free classification may indicate that the fluid volume has been deposited on the substrate within a specified tolerance.
분류는 분배 시스템의 하나 이상의 작동 파라미터(506)와 추가로 연관될 수 있다. 이러한 작동 파라미터(506)는 적어도 부분적으로 원인이 되는 작동 파라미터일 수 있거나 연관된 결함과 상관된다. 따라서 분류는 결함 및 하나 이상의 작동 파라미터(506)를 포함할 수 있다. 예컨대, 분류는 위성 결함 및 밸브 니들 속도 작동 파라미터를 나타낼 수 있다. 이러한 분류에 표시된 위성 결함은 특정 유형의 위성 결함이거나, 예컨대 높은 밸브 니들 속도에 의해 적어도 부분적으로 발생하는 것으로 알려진 특정 특성을 나타낼 수 있다. 제2 분류는 위성 결함 및 밸브 개방 시간 작동 파라미터를 나타낼 수 있다. 이 제2 위성 결함은 너무 길거나 너무 짧은 밸브 개방 시간과 연관되거나 적어도 부분적으로 기인한 위성 결함일 수 있다.The classification may further be associated with one or more operating parameters 506 of the dispensing system. This operating parameter 506 may be at least in part a causal operating parameter or correlate with an associated fault. The classification may thus include faults and one or more operating parameters 506 . For example, the classification may indicate satellite faults and valve needle speed operating parameters. The satellite faults indicated in this classification may be a specific type of satellite fault, or they may exhibit specific characteristics known to be caused, at least in part, by, for example, high valve needle velocities. A second classification may represent satellite faults and valve open time operating parameters. This second satellite fault may be a satellite fault that is at least partially due to or associated with a valve opening time that is too long or too short.
분류는 유체 체적 이미지(504)에서 식별된 특성 중 하나 이상과 같은 유체 체적의 하나 이상의 특성과 추가로 연관될 수 있다. 이러한 특성은 분류에 표시된 연관 결함과 상관되거나 또는 적어도 부분적으로 기인할 수 있다. 따라서, 분류는 유체 체적의 결함 및 유체 체적의 하나 이상의 특성(및 위에서 설명된 하나 이상의 작동 파라미터)을 포함할 수 있다. 예컨대, 분류는 오배치 결함과 상관되는 것으로 알려진 비행 유체 체적의 방향성 특성 및 오배치 결함을 나타낼 수 있다. 제2 예시적인 분류는 또한 오배치 결함을 나타낼 수 있지만 대신 오배치 결함과 상관되는 것으로 알려진 비행 유체 체적의 속도 특성을 나타낼 수 있다. 따라서, 기계 학습 도구(510)의 출력 노드는 하나 이상의 결함, 하나 이상의 작동 파라미터, 및 유체 체적의 하나 이상의 특성(결함이 없는 경우 뿐만 아니라)의 다양한 조합 및 하위 조합을 포함할 수 있다. The classification may further be associated with one or more characteristics of the fluid volume, such as one or more of the characteristics identified in the
기계 학습 도구를 트레이닝하기 위한 공정을 도시하는 도 5를 추가로 참조하면, 공정은 결함 분류(524)의 이전에 구성된 또는 알려진 예의 이미지를 사용하는 것을 포함하도록 수정될 수 있다. 트레이닝 분류(524)는 기판에 증착된 유체 체적의 이미지의 분석(수동 및/또는 자동)을 통해 결정될 수 있다. 예컨대, 이미지 분석은 증착된 대상 유체 체적뿐만 아니라 다른 트레이닝 반복의 것과 같은 다른 증착된 유체 체적이 있는 기판의 평면도 이미지에 대해 수행될 수 있다. 이미지 분석은 예컨대 기판 상의 위성의 존재, 잘못된 형태 또는 잘못된 치수의 유체 체적 증착물, 및 오배치의 유체 체적 증착물의 존재를 식별할 수 있다. 트레이닝은 기계 학습 도구(510)에 의해 생성된 분류 출력(520)을 기계 학습 도구(510)에 제공된 이미지에 표시된 알려진 결함 분류(524)와 비교하는 것을 포함할 수 있다. 상기 비교는 가장 높은 확률을 갖는 분류와 같은 분류 출력(520)의 단일 분류에 대한 것일 수 있다. With further reference to FIG. 5 , which illustrates a process for training a machine learning tool, the process may be modified to include using images of previously constructed or known examples of defect classification 524 . Training classification 524 may be determined through analysis (manually and/or automatically) of images of fluid volumes deposited on the substrate. For example, image analysis may be performed on a top view image of a substrate with a deposited subject fluid volume as well as other deposited fluid volumes, such as those of other training iterations. Image analysis can identify, for example, the presence of satellites on the substrate, fluid volume deposits of the wrong shape or dimensions, and the presence of misplaced fluid volume deposits. Training may include comparing the classification output 520 generated by the machine learning tool 510 to a known defect classification 524 displayed in an image provided to the machine learning tool 510 . The comparison may be for a single classification in the classification output 520, such as the classification with the highest probability.
알려진 결함 분류(524)와 분류 출력(520)의 비교는 정량화될 수 있는 오류를 산출할 수 있다. 오류는 일반적으로 기계 학습 도구(510)가 고려된 사용에 대해 충분히 "트레이닝"되었는지 여부를 반영하는 척도로 작용할 수 있다. 예컨대, 오류는 허용 가능한 범위를 벗어날 수 있으며, 이는 기계 학습 도구(510)가 고려된 사용에 대해 불충분하게 트레이닝되었음을 표시한다.Comparison of known defect classification 524 with classification output 520 may yield an error that can be quantified. Errors can generally serve as a metric that reflects whether or not the machine learning tool 510 has been sufficiently “trained” for the intended use. For example, an error may be outside of an acceptable range, which indicates that the machine learning tool 510 has been insufficiently trained for the intended use.
오류에 기초하여, 바람직하게는 수정된(제2) 기계 학습 도구가 기계 학습 도구(510)의 이전 반복보다 더욱 정확한 분류 출력(520)을 결정하도록 구성되도록 기계 학습 도구(510)를 수정하도록 결정이 내려질 수 있다. 기계 학습 도구(510)를 수정할지 및/또는 추가 트레이닝 반복을 수행할지 여부는 임계값 또는 임계값 범위에 기초하여 결정될 수 있다. 예컨대, 오류는 임계값 또는 임계값 범위와 비교될 수 있다. 오류가 임계값 또는 임계값 범위를 만족하면, 기계 학습 도구(510)는 허용된 기계 학습 도구(510)로 사용하기에 적합한 것으로 간주될 수 있다. 반대로 오류가 임계값 또는 임계값 범위를 충족하지 않으면 추가 트레이닝 반복이 수행될 수 있다. Deciding to modify the machine learning tool 510 based on the error, preferably such that the modified (second) machine learning tool is configured to determine a classification output 520 that is more accurate than previous iterations of the machine learning tool 510 this can be taken down Whether to modify the machine learning tool 510 and/or perform additional training iterations may be determined based on a threshold or threshold range. For example, the error may be compared to a threshold or range of thresholds. If the error satisfies a threshold or threshold range, then the machine learning tool 510 may be considered suitable for use as an accepted machine learning tool 510 . Conversely, additional training iterations may be performed if the error does not meet the threshold or threshold range.
수정된 제2 기계 학습 도구에 대한 추가 트레이닝 반복에서, 제2 유체 체적에 대한 샘플 분배 데이터(502)가 수정된 제2 기계 학습 도구에 대한 입력으로서 제공될 수 있다. 제2 유체 체적에 대한 입력 샘플 분배 데이터(502)에 기초하여, 수정된 제2 기계 학습 도구는 제2 유체 체적에 대한 제2 분류 출력(예: 분류 출력(520)의 추가 예)을 결정할 수 있다. 트레이닝 분류(524)로부터 제2 유체 체적의 알려진 분류에 기초하여, 제2 오차가 결정될 수 있다. 제2 오류는 추가 트레이닝 반복이 수행되어야 하는지 또는 수정된 제2 기계 학습 도구가 허용된 기계 학습 도구(510)로 채택되어야 하는지를 결정하기 위해 제2 유체 체적의 알려진 분류를 고려하여 평가될 수 있다.In further training iterations for the modified second machine learning tool,
일 실시예에서, 기계 학습 도구(510)에 대한 트레이닝 반복은 미리 결정된 횟수만큼 수행될 수 있다. 이와 같이, 미리 정해진 수에 도달할 때까지 각 반복에 대한 오류를 결정한 후 추가 트레이닝 반복이 수행된다. 수정된 기계 학습 도구(510)에는 최신 수정된 기계 학습 도구가 허용 가능하게 수행되는지 여부를 결정하기 위해 각 반복에 대한 오류가 평가된다는 점을 제외하고는 추가의 학습 반복 라운드에 대한 추가 샘플 분배 데이터 및 대응하는 알려진 학습 분류가 제공될 수 있다. 마지막으로, 최종 버전의 성능을 검증하기 위해 제3 세트의 샘플 분배 데이터 및 해당하는 알려진 교육 분류가 기계 학습 도구의 최종 버전에 제공된다. 제3 샘플 분배 데이터 세트에 기초하여 기계 학습 도구에 대한 추가 수정은 없다.In one embodiment, training iterations for machine learning tool 510 may be performed a predetermined number of times. As such, additional training iterations are performed after determining the error for each iteration until a predetermined number is reached. The modified machine learning tool 510 includes additional sample distribution data for an additional round of training iterations except that the error is evaluated for each iteration to determine whether the latest modified machine learning tool performs acceptable. and corresponding known learning classifications may be provided. Finally, a third set of sample distribution data and corresponding known training classifications are provided to the final version of the machine learning tool to verify the performance of the final version. There are no further modifications to the machine learning tools based on the third sample distribution data set.
트레이닝된 기계 학습 도구의 사용Use of trained machine learning tools
도 7에 도시된 바와 같이, 생산에서 기계 학습 도구(510)를 사용하기 위한 폐쇄 루프 공정은 분배 디바이스의 노즐로부터 점성 유체의 부분을 분배하기 위해 분배 디바이스의 밸브가 개방되고 폐쇄되는 것으로 시작한다. 위에서 설명된 바와 같이, 이미지(504)는 비행 분배된 체적, 및 가능하게는 분배 노즐에 대해 촬영된다. 또한, 체적 분배와 연관된 작동 파라미터(506)가 시스템에 수집된다. 이러한 이미지와 파라미터는 기계 학습 도구(510)에 입력되고 도 5에 도시된 공정을 사용하여 이전에 수행된 기계의 트레이닝에 기초하여 분배 체적에 대한 결함 분류(524)를 예측하는 데 사용된다. 예측된 결함 분류는 분류 출력(520)을 포함한다. 분류 출력(520)은 예컨대 분배 체적이 등급 Q1(위성 결함)에 있을 확률이 90%이고, 분배 체적이 등급 Q3(결함 없음)에 있을 확률이 10%일 수 있다. 다음 단계에서, 분배 시스템의 파라미터는 조정된 작동 파라미터(540)를 생성하기 위해 기계 학습 도구에 의해 제공되는 분류 출력(520)에 기초하여 적절하게 조정된다. 이 경우, 예컨대 위성 결함의 가능성이 90%이고 기계 학습 도구가 높은 핀 속도(즉, 높은 밸브 니들 속도)를 위성 결함과 연관시키도록 학습되었기 때문에, 밸브 니들의 속도에 영향을 미치는 파라미터는 밸브 니들의 속도를 줄이기 위해 조정될 것이다. 새로운 체적의 물질이 조정된 파라미터(540)와 함께 분배되고 주기가 자체 반복된다. 이러한 방식으로, 기계 학습 도구(510)는 기계 학습 도구(510)에 이전에 제공된 트레이닝에 기초하여 검출된 결함을 자동으로 수정하기 위해 생산에서 사용될 수 있다.As shown in FIG. 7 , a closed loop process for using the machine learning tool 510 in production begins with the valve of the dispensing device opening and closing to dispense a portion of the viscous fluid from the nozzle of the dispensing device. As described above, an
더 상세하게는, 하나 이상의 분배된 유체 체적(비행 유체 체적 이미지(504), 작동 파라미터(506), 및/또는 다른 연관 데이터 포함)을 나타내는 분배 데이터(502)가 제공된다. 유체 체적과 연관된 분배 데이터(502)는 기계 학습 도구(510)에 입력되어 유체 체적의 분류(예: 결함이 있는 경우)를 나타내는 분류 출력(520)을 결정한다. (입력) 분배 시스템 작동 파라미터와 (출력) 분배된 유체 체적 특성 및 결함(입력/출력 관계)과 분류 출력(520) 사이의 다양한 알려진 관계에 기초하여, 분배 시스템의 하나 이상의 작동 파라미터(즉, 상기 작동 파라미터의 값)가 조정된다(조정된 작동 파라미터(540)). 조정된 작동 파라미터(540) 하에서, 제2 유체 체적이 분배된다. 제2 유체 체적은 비행 제2 유체 체적의 이미지와 제2 유체 체적이 분배된 조정된 작동 파라미터(540)를 포함하는 작동 파라미터와 같은 새로운 분배 데이터(502)에 반영된다. 제2 유체 체적에 대한 분배 데이터(502)는 폐쇄 루프 제어 등의 추가 반복을 위한 기초가 될 수 있다.More particularly, dispense
분배 데이터(502)는 분배 디바이스(예: 도 1a의 분배 노즐(16)을 갖는 분배 조립체(14))에 의해 분배된 하나 이상의 유체 체적을 나타낼 수 있다. 분배 데이터(502)와 연관된 유체 체적은 생산 환경 및/또는 생산 모드에서 기판 상에 분배된 유체 체적일 수 있다. 추가적으로 또는 대안적으로, 분배 데이터(502)와 연관된 유체 체적은 서비스 스테이션에서 또는 서비스 모드에서 분배된 유체 체적일 수 있다. 유체 체적은 물질이 생산에서 기판에 분배되는 플랫폼의 작업 영역에 인접한 분배 플랫폼의 서비스 스테이션에서 분배될 수 있다. 서비스 스테이션에서, 물질은 기판이나 리셉터클에 분배될 수 있다. 분배 데이터(502)는 일반적으로 유체 체적이 기판 상에 증착되기 전에 유체 체적의 양태를 나타낼 수 있다. 예컨대, 분배 데이터(602)는 유체 체적의 기판 상의 이미지를 제외할 수 있다. 분배 데이터(502)는 또한 기판 상의 치수, 형상, 중량, 위성 및 배치와 같은 유체 체적의 기판 상의 특성을 포함하거나 제외할 수 있다.Dispense
분배 데이터(502)는 비행 유체 체적 이미지(504)를 포함할 수 있다. 유체 체적 이미지(504)는 도 2의 광 센서 조립체(68)(예: 이미징 조립체(62)), 도 3의 광 센서 조립체(368) 및/또는 도 4의 제1 및/또는 제2 광 센서 조립체(468a,b)에 의해 캡처될 수 있다. 유체 체적 이미지(504)는 대상 유체 체적이 기판으로 비행하는 동안 대상 유체 체적의 하나 이상의 이미지를 포함할 수 있다. 대상 유체 체적의 유체 체적 이미지(504)는 예컨대 제1 카메라에 의해 캡처된 제1 이미지 및 제2 카메라에 의해 상이한 각도에서 캡처된 제2 이미지를 포함할 수 있다. 대상 유체 체적의 유체 체적 이미지(504)는 다른 예로서 상이한 시간 간격에서 유체 체적의 둘 이상의 표현이 있는 합성 이미지를 포함할 수 있다.The dispensing
유체 체적 이미지(504)는 유체 체적에 대한 추가 데이터를 결정하고/하거나 유체 체적 이미지(504)의 유용성을 향상시키기 위해 전처리를 거칠 수 있다. 예컨대, 유체 체적을 포함하는 이미지의 부분이 식별될 수 있고 그와 같이 라벨링된다(예: 이미지 내에서 또는 메타데이터로). 노즐을 포함하는 이미지의 부분은 그 자체로(예: 이미지 내에서 또는 메타데이터로서) 식별되고 라벨링될 수 있다. 다른 예로서, 유체 체적 또는 노즐을 포함하지 않는 이미지의 적어도 일부 부분은 이미지에서 잘릴 수 있다.The
분배 데이터(502)는 대상 유체 체적(및/또는 다른 유체 체적)이 분배된 것에 따른 작동 파라미터(506)를 포함할 수 있다. 작동 파라미터(506)는 도 1b 및 도 1c의 예시적인 분배 조립체(200)를 포함하는 도 1a의 분배 시스템(10)의 구성요소 또는 분배 조립체(14)의 것들일 수 있다.Dispense
예시적인 작동 파라미터(506)는 유체 체적을 분배하기 위해 밸브 시트와 맞물리도록 구성된 니들, 밸브 스템, 또는 다른 가동 요소(예: 도 1b의 밸브 요소(214))의 속도 및/또는 스트로크 길이를 포함한다. 예시적인 작동 파라미터(506)는 또한 작동 타이밍, 액추에이터의 스트로크 길이(예: 도 1c의 압전 구동 모듈(216), 도 1b의 구동 핀(236) 등)와 같은 작동 프로파일 및/또는 다른 작동 파라미터와 연관될 수 있다. 다른 예시적인 작동 파라미터(506)는 분배 노즐 및 밸브의 개방 속도, 폐쇄 속도, 및 개방 시간을 포함한다. 예시적인 작동 파라미터(506)는 분배 노즐 및 밸브가 개방되고 폐쇄되는 빈도(즉, 유체 체적이 분배되는 빈도), 분배 디바이스에 제공되는 유체의 유체 압력 및 분배 노즐의 온도를 포함한다. 작동 파라미터(506)는 또한 유체 체적을 분배하기 위해 밸브 시트와 맞물리도록 구성된 니들, 밸브 스템, 또는 다른 가동 요소의 크기 및 노즐의 크기(예: 노즐 출구의 직경)를 포함하는 하드웨어 구성과 연관될 수 있다. 다른 작동 파라미터(506)는 밀도, 유동학, 점도, 고체 유형, 고체 함량 등을 포함하는 유체 자체의 특성과 연관될 수 있다.Exemplary operating parameters 506 include speed and/or stroke length of a needle, valve stem, or other movable element configured to engage a valve seat to dispense a fluid volume (eg,
분배 데이터(502)는 유체 체적이 비행하는 동안 유체 체적의 하나 이상의 특성과 같은 다른 데이터를 추가로 포함할 수 있다. 유체 체적의 그러한 비행 특성은 유체 체적의 하나 이상의 유체 체적 이미지(504)에 기초하여 결정될 수 있다. 유체 체적의 특성에는 속도, 폭, 직경, 길이, 형상 및 방향성이 포함될 수 있다. 유체 체적의 비행 특성은 유체 체적 이미지(504)에 추가하여 또는 유체 체적 이미지(504) 대신에 기계 학습 도구(510)에 대한 입력으로서 제공될 수 있다.The dispensing
기계 학습 도구(510)는 대상 유체 체적에 대한 분배 데이터(502)의 적어도 일부를 입력으로서 수신할 수 있다. 기계 학습 도구(510)는 도 5와 연관하여 설명된 트레이닝 공정의 결과인 도 5의 허용된 기계 학습 도구(510)를 포함할 수 있다. 기계 학습 도구(510)의 입력 층의 입력 노드는 대상 유체 체적에 대한 분배 데이터(502)의 적어도 일부를 포함할 수 있다. 이와 같이, 입력 노드는 대상 유체 체적의 유체 체적 이미지(504) 중 하나 이상, 대상 유체 체적이 분배된 데 따른 작동 파라미터(506) 중 하나 이상, 및 이미지 메타데이터 라벨링과 같은 기타 데이터, 유체 체적으로서의 유체 체적 이미지(504)의 특정 부분 및/또는 노즐을 포함할 수 있다. 기계 학습 도구(510)의 입력 노드는 또한 대상 유체 체적의 하나 이상의 비행 특성을 포함할 수 있다.The machine learning tool 510 may receive as input at least a portion of the dispensing
대상 유체 체적에 대한 입력 분배 데이터(502)에 기초하여, 기계 학습 도구(510)는 대상 유체 체적에 대한 분류 출력(520)을 결정한다. 분류 출력(520)은 대상 유체 체적에 대한 하나 이상의 분류를 포함할 수 있다. 예컨대, 분류는 위성 결함, 오배치 결함, 액체 체적(양) 결함, 형상 결함 또는 치수 결함과 같은 증착된 대상 유체 체적의 기판 상의 결함 및 축적 결함을 나타낼 수 있다. 분류는 또한 표시된 결함 분류와 연관된(예: 원인 및/또는 상관되는) 하나 이상의 작동 파라미터를 나타낼 수 있다. 분류는 또한 표시된 결함 분류와 연관된(예: 원인 및/또는 상관 관계가 있는) 대상 유체 체적의 하나 이상의 비행 특성을 나타낼 수 있다.Based on the
분류 출력(520)은 복수의 분류를 포함할 수 있다. 복수의 분류는 대상 유체 체적에 대한 복수의 후보 분류를 포함할 수 있다. 각 후보 분류는 대상 유체 체적이 후보 분류에 속할 확률을 나타낼 수 있다. 따라서, 분류 출력(520)은 대상 유체 체적에 대한 후보 분류의 확률 분포(예: 범주형 분포)를 포함할 수 있다. 분류 출력(520)은 복수의 후보 분류의 서브세트를 포함할 수 있다. 예컨대, 분류 출력(520)은 임계 확률을 만족시키는 확률을 갖는 후보 분류들을 포함할 수 있다. 분류 출력(520)은 단일 분류를 포함할 수 있다. 단일 분류는 확률이 가장 높은 후보 분류일 수 있다. 분류 출력(520)은 또한 대상 유체 체적이 "결함 없음" 분류인 기판 상의 유체 체적의 허용 가능한 증착을 초래(또는 가질 수 있음)했음을 나타낼 수 있다. 즉, 증착된 대상 유체 체적의 기판 상의 특성(또는 그 돌출부)은 모두 허용 가능한 허용 범위 내에 있다.The classification output 520 may include a plurality of classifications. The plurality of classifications may include a plurality of candidate classifications for the target fluid volume. Each candidate classification may indicate a probability that the target fluid volume belongs to the candidate classification. Accordingly, the classification output 520 may include a probability distribution (eg, a categorical distribution) of the candidate classification for the target fluid volume. The classification output 520 may include a subset of the plurality of candidate classifications. For example, the classification output 520 may include candidate classifications with a probability of satisfying a threshold probability. The classification output 520 may include a single classification. A single classification may be the most probable candidate classification. The fraction output 520 may also indicate that the subject fluid volume has resulted in (or may have) acceptable deposition of the fluid volume on the substrate which is a "defect-free" classification. That is, the properties (or protrusions thereof) on the substrate of the deposited target fluid volume are all within acceptable tolerances.
하나 이상의 조정된 작동 파라미터(540)는 분류 출력(520) 및 입력/출력 관계에 기초하여 결정된다. 입력/출력 관계는 분배 시스템의 하나 이상의 작동 파라미터(분배 시스템에 대한 "입력")와 유체 체적의 하나 이상의 비행 또는 기판 상의 특성(" 분배 시스템의 출력") 사이의 하나 이상의 기능 관계를 나타낸다. 입력/출력 관계로 표현되는 이러한 특성은 유체 체적의 결함, 특히 기판에 일단 증착되면 유체 체적에 대한 결함(예: 위성 결함, 오배치 결함, 액체 체적(양) 결함, 형상 결함 또는 치수 결함) 또는 축적 결함을 포함할 수 있다. 예컨대, 입력/출력 관계는 작동 파라미터에 대한 특정 변경이 결과적으로 분배된 유체 체적의 하나 이상의 특성에 미치는 영향을 나타낼 수 있다. 역으로, 입력/출력 관계는 하나 이상의 유체 체적 특성을 달성하기 위해 구현될 수 있는 분배 시스템의 하나 이상의 작동 파라미터(또는 그에 대한 변경)를 나타낼 수 있다. 입력/출력 관계는 수학 함수와 같은 하나 이상의 함수로 실현될 수 있다.The one or more adjusted operating parameters 540 are determined based on the classification output 520 and the input/output relationship. An input/output relationship represents one or more functional relationships between one or more operating parameters of a dispensing system (“inputs” to the dispensing system) and one or more flight or on-substrate properties of a fluid volume (“outputs of the dispensing system”). These properties, expressed as input/output relationships, can be characterized as defects in the fluid volume, particularly defects in the fluid volume once deposited on the substrate (e.g. satellite defects, misplacement defects, liquid volume (quantity) defects, shape defects or dimensional defects) or It may contain accumulation defects. For example, an input/output relationship may indicate the effect of a particular change to an operating parameter on one or more properties of the consequently dispensed fluid volume. Conversely, an input/output relationship may represent one or more operating parameters (or changes thereto) of a dispensing system that may be implemented to achieve one or more fluid volume characteristics. The input/output relationship may be realized as one or more functions, such as mathematical functions.
입력/출력 관계는 분배 시스템의 하나 이상의 작동 파라미터와 유체 체적의 하나 이상의 특성 사이의 다변수 관계(multivariate relationship)를 포함할 수 있다. 예컨대, 입력/출력 관계는 둘 이상의 작동 파라미터와 하나 이상의 유체 체적 특성 사이의 관계를 포함할 수 있다. 입력/출력 관계는 하나 이상의 작동 파라미터와 둘 이상의 유체 체적 특성 사이의 관계를 포함할 수 있다. 입력/출력 관계는 둘 이상의 작동 파라미터와 둘 이상의 유체 체적 특성 사이의 관계를 포함할 수 있다. 또한, 입력/출력 관계는 하나 이상의 작동 파라미터와 하나 이상의 다른 작동 파라미터 사이의 관계(예: 밸브 스템/니들 속도와 노즐 개방 폭 사이의 관계)를 포함할 수 있다. 더욱이, 입력/출력 관계는 하나 이상의 유체 체적 특성과 하나 이상의 다른 유체 체적 특성 사이의 관계(예: 체적 결함과 위성 결함 사이의 관계, 축적 결함과 오배치 결함 사이의 관계, 또는 비행 속도 특성과 형상 결함 사이의 관계)를 포함할 수 있다. The input/output relationship may include a multivariate relationship between one or more operating parameters of the dispensing system and one or more properties of the fluid volume. For example, an input/output relationship may include a relationship between two or more operating parameters and one or more fluid volume characteristics. The input/output relationship may include a relationship between one or more operating parameters and two or more fluid volume characteristics. The input/output relationship may include a relationship between two or more operating parameters and two or more fluid volume characteristics. The input/output relationship may also include a relationship between one or more operating parameters and one or more other operating parameters (eg, a relationship between a valve stem/needle speed and a nozzle opening width). Moreover, an input/output relationship is a relationship between one or more fluid volume properties and one or more other fluid volume properties (e.g., a relationship between a volume defect and a satellite defect, a relationship between an accumulation defect and a misplacement defect, or a flight velocity property and a shape). relationship between defects).
조정된 작동 파라미터(540)는 그 자체로 대상 유체 체적을 분배하는 데 사용되는 작동 파라미터(예: 작동 파라미터(506))와 다르지 않을 수 있다는 점에 유의해야 한다. 따라서, "조정된" 작동 파라미터(540)는 어떠한 조정도 전혀 나타내지 않을 수 있다. 예컨대, 분류 출력(520)은 유체 체적에 대한 "결함 없음" 분류를 표시할 수 있다. 이와 같이, 폐쇄 루프 분배 공정 제어는 분배 시스템의 작동 파라미터에 대한 하나 이상의 변경을 구현하기보다는 분배 시스템이 있는 그대로 작동을 계속해야 한다고 결정할 수 있다.It should be noted that the adjusted operating parameter 540 by itself may not differ from the operating parameter used to dispense the target fluid volume (eg, operating parameter 506 ). Thus, an “adjusted” operating parameter 540 may not represent any adjustment at all. For example, the classification output 520 may indicate a “no defects” classification for the fluid volume. As such, the closed loop dispensing process control may determine that the dispensing system should continue operating as is rather than implementing one or more changes to the operating parameters of the dispensing system.
조정된 작동 파라미터(540)는 하나 이상의 추가 유체 체적(요소(650)으로 표시됨)을 분배하기 위해 적용될 수 있다. 즉, 조정된 작동 파라미터(540)를 사용하여 하나 이상의 추가 유체 체적이 분배될 수 있다. 기계 학습 도구(510)를 사용하여 분배 시스템의 폐쇄 루프 제어를 구현하기 위해 도 7의 흐름도의 하나 이상의 추가 반복이 수행될 수 있다. 예컨대, 유체의 제2 체적은 초기 조정된 작동 파라미터(540)에 따라 분배될 수 있다. 추가 분배 데이터(502)는 제2 분배된 유체 체적에 기초하여 결정될 수 있다. 제2 유체 체적을 나타내는 추가 분배 데이터의 적어도 일부는 제2 유체 체적에 대한 대응하는 분류 출력(520)을 결정하기 위해 기계 학습 도구(510)에 입력될 수 있다. 제2 유체 체적에 대한 분류 출력 및 입력/출력 관계에 기초하여, 제2 하나 이상의 조정된 작동 파라미터(540)가 결정될 수 있다. 그 조정된 작동 파라미터는 차례로 제3 유체 체적을 분배하는 데 사용될 수 있다. 제3 유체 체적에 대한 분배 데이터(502)는 대응하는 분류 출력(520) 등을 결정하기 위해 기계 학습 도구(510)에 입력될 수 있다. 제1, 제2 및 제3 유체 체적은 연속 유체 체적일 필요는 없다. 오히려, 폐쇄 루프 분배 공정 제어의 반복은 산재된 다양한 간격으로(예: 시간 또는 유체 체적에 대해) 수행될 수 있다.The adjusted operating parameters 540 may be applied to dispense one or more additional fluid volumes (represented by element 650 ). That is, one or more additional fluid volumes may be dispensed using the adjusted operating parameters 540 . One or more further iterations of the flowchart of FIG. 7 may be performed to implement closed loop control of a distribution system using machine learning tool 510 . For example, the second volume of fluid may be dispensed according to the initially adjusted operating parameter 540 . Additional dispense
본원에 설명된 폐쇄 루프 분배 시스템 제어를 사용하여 여러 이점이 실현될 수 있다. 이러한 이점은 실질적인 작업자 개입이나 수동 재교정 없이 대부분 실현될 수 있다. 하나의 예시적인 이점으로서, 분배 공정 제어 및 결과적으로 조정된 작동 파라미터는 분배 작동이 수행되는 실제 조건에 따라 결정될 수 있으며, 예컨대 제조업체의 교정 또는 시험 시설에서의 조건과는 대조적이다. 예컨대, 생산 시설의 온도 또는 습도는 교정 또는 시험 시설의 온도 또는 습도와 다를 수 있다. 또한 실제 작동 일정은 다를 수 있지만 분배 시스템은 가정된 작동 일정(예: 하루 기본 작동 시간 수)에 따라 교정될 수 있다. 또한, 본원에 설명된 폐쇄 루프 분배 공정 제어는 다양한 변경 하에서 제어 적응성을 제공한다. 예컨대, 분배 시스템은 시설의 건물 사이를 이동하여 운영 환경에 다양한 변화를 일으킬 수 있다. 연중 계절에 따라 작동 환경도 바뀔 수 있다. 새로운 작동 일정은 일일 작동 시간을 늘리거나 줄여야 할 수 있다. 분배 시스템은 다양한 조정을 필요로 하는 다른 제조 또는 조립 공정, 예컨대 기판 상의 유체 체적의 크기 및 배치에 적용될 수 있다. 수동 재교정 공정 대신, 폐쇄 루프 분배 공정 제어는 전술한 변경 중 임의의 것에 의해 야기된 임의의 결함을 결정할 수 있고 바람직하게는 그러한 결함을 제거하거나 최소화하기 위해 하나 이상의 반복에 걸쳐 작동 파라미터를 자동으로 조정할 수 있다.Several advantages can be realized using the closed loop distribution system control described herein. Most of these benefits can be realized without substantial operator intervention or manual recalibration. As one exemplary advantage, the dispensing process control and consequently adjusted operating parameters can be determined according to the actual conditions under which the dispensing operation is performed, as opposed to, for example, conditions in a manufacturer's calibration or testing facility. For example, the temperature or humidity of a production facility may be different from the temperature or humidity of a calibration or testing facility. Also, although actual operating schedules may vary, the distribution system can be calibrated according to an assumed operating schedule (eg basic number of operating hours per day). In addition, the closed loop dispensing process control described herein provides control adaptability under various modifications. For example, a distribution system may move between buildings in a facility to cause various changes in the operating environment. Depending on the season of the year, the operating environment may also change. New operating schedules may require increased or decreased daily operating hours. The dispensing system may be adapted to other manufacturing or assembly processes requiring various adjustments, such as the sizing and placement of fluid volumes on a substrate. Instead of a manual recalibration process, the closed loop dispensing process control can determine any deficiencies caused by any of the aforementioned alterations and preferably automatically adjust operating parameters over one or more iterations to eliminate or minimize such defects. Can be adjusted.
도 8은 체적의 유체(예: 점성 유체)를 분배하기 위한 분배 디바이스를 작동하기 위한 기계 학습 도구를 사용하는 폐쇄 루프 분배 공정 제어를 위한 방법(700)의 흐름도를 도시한다. 이러한 분배 디바이스는 일반적으로 도 1a의 분배 시스템(10) 또는 추가로 구체적으로 도 1a의 분배 조립체(14)를 포함할 수 있다. 유체 체적은 일단 기판에 증착되면(또는 기판 대신 리셉터클의 경우 기판에 증착되면), 점 또는 선을 형성할 수 있다. 유체의 분배 체적(예: 노즐 밸브의 개방 및 폐쇄)은 분배 디바이스와 노즐의 이동 중에 발생할 수 있으며 유체의 체적은 불연속적일 수 있다. 추가적으로 또는 대안적으로, 기판은 분배 디바이스 및 노즐에 대해 이동할 수 있다.8 shows a flow diagram of a
단계(702)에서, 유체 부분 또는 체적(예: 점성 유체의 체적)은 분배 디바이스의 작동 파라미터의 제1 값에 따라 분배 디바이스에 의해 분배된다. 유체 부분 또는 체적을 분배하는 것은 노즐로부터 유체 체적을 분배하기 위해 분배 디바이스의 노즐의 밸브를 개방 및 폐쇄하는 것을 포함할 수 있다. 작동 파라미터는 예컨대 밸브 스템/니들 속도, 밸브 스템/니들 스트로크 길이, 작동 타이밍, 작동 스트로크 길이, 노즐 밸브 개방 속도, 노즐 밸브 폐쇄 속도, 노즐 밸브 개방 시간, 노즐 밸브 개방 및- 폐쇄 빈도, 분배 빈도, 유체 압력, 노즐 온도, 니들/밸브 스템 크기, 노즐 개방 폭, 분배 디바이스 배치, 분배 중 분배 디바이스 이동 속도 또는 분배 중 분배 디바이스 방향성을 포함할 수 있다. 분배 디바이스의 작동 파라미터는 도 7의 작동 파라미터(506) 및 분배 데이터(502)와 연관하여 추가로 설명된다.In
단계(704)에서, 유체의 하나 이상의 이미지가 캡처된다. 하나 이상의 이미지는 유체 체적이 노즐에서 비행할 때의 측면 이미지일 수 있다. 하나 이상의 이미지는 예컨대 카메라에 의해 캡처될 수 있다. 하나 이상의 이미지는 도 2의 광 센서 조립체(68)(예: 이미징 조립체(62)), 도 3의 광 센서 조립체(368), 또는 도 4의 제1 및/또는 제2 광 센서 조립체(468a,b)에 의해 캡처될 수 있다. 하나 이상의 이미지는 도 5 또는 도 7의 유체 체적 이미지(504)를 포함할 수 있다. 언급된 바와 같이, 하나 이상의 이미지는 유체에 대응하는 이미지의 일부 및/또는 노즐에 대응하는 이미지의 일부를 식별하도록 처리될 수 있다. 이러한 부분은 이미지 내에서, 이미지에 대한 메타데이터로서, 또는 다른 형태의 데이터(예: 도 7의 분배 데이터(502))로서 식별될 수 있다. 하나 이상의 이미지는 유체 체적을 나타내지 않는 캡처된 하나 이상의 이미지의 적어도 일부를 제거하기 위해 잘릴 수 있다.At
추가적으로 또는 대안적으로, 유체의 하나 이상의 특성이 결정될 수 있다. 유체의 일부 또는 체적의 하나 이상의 특성은 유체 체적의 비행 특성일 수 있다. 유체 체적의 하나 이상의 특성은 하나 이상의 이미지에 기초하여 결정될 수 있다. 이러한 특성에는 유체 체적의 속도, 폭, 직경, 길이, 형상 또는 방향성이 포함될 수 있다.Additionally or alternatively, one or more properties of the fluid may be determined. One or more properties of a portion or volume of the fluid may be flight properties of the volume of the fluid. One or more properties of the fluid volume may be determined based on the one or more images. These properties may include the velocity, width, diameter, length, shape, or directionality of the fluid volume.
단계(706)에서, 유체 체적의 하나 이상의 이미지가 기계 학습 도구(예: 도 7의 기계 학습 도구(510))에 입력된다. 작동 파라미터의 제1 값은 또한 하나 이상의 이미지와 함께 기계 학습 도구에 제공될 수 있다. 하나 이상의 이미지 및 작동 파라미터의 제1 값을 기계 학습 도구에 입력하는 것에 기초하여, 유체 체적의 분류(예: 도 7의 분류 출력(520))가 결정된다. 예컨대, 기계 학습 도구는 분류를 결정할 수 있다.At
유체 체적의 분류는 유체 체적의 특성을 나타낼 수 있다. 예컨대, 분류는 유체 체적의 결함을 나타낼 수 있다. 결함은 위성 결함, 오배치 결함, 액체 체적(양) 결함, 형상 결함 또는 치수 결함과 같은 기판상의 결함일 수 있다. 결함은 축적 결함과 같은 다른 유형의 결함일 수 있다. 분류에 의해 표시되는 유체 체적의 특성은 추가로 또는 대안적으로 속도, 폭, 직경, 길이, 형상 또는 방향성과 같은 유체 체적의 비행 특성일 수 있다. 분류는 하나 이상의 결함(기판상의 또는 축적)과 하나 이상의 비행 특성을 나타낼 수 있다. 따라서, 예컨대 분류는 유체 체적이 속도(일반적으로 또는 유체 체적의 특정 속도)와 연관된 형상 결함을 겪고 있음을 나타낼 수 있다. 추가적으로 또는 대안적으로, 분류는 하나 이상의 결함 및 전술한 작동 파라미터(일반적으로 또는 이의 제1 값)를 포함하는 하나 이상의 작동 파라미터 둘 다를 나타낼 수 있다. 예컨대, 분류는 유체 체적이 노즐 밸브 개방 시간(일반적으로 또는 유체 체적이 분배된 실제 노즐 밸브 개방 시간)과 연관된 오배치 결함을 겪고 있음을 나타낼 수 있다.Classification of the fluid volume may represent a characteristic of the fluid volume. For example, a classification may indicate a defect in a fluid volume. The defects may be defects on the substrate, such as satellite defects, misplacement defects, liquid volume (quantity) defects, shape defects, or dimensional defects. The defect may be another type of defect, such as an accumulation defect. A property of a fluid volume indicated by a classification may additionally or alternatively be a flight property of the fluid volume, such as speed, width, diameter, length, shape or directionality. A classification may indicate one or more defects (on-board or accumulation) and one or more flight characteristics. Thus, for example, a classification may indicate that a fluid volume is experiencing a shape defect associated with a velocity (generally or a specific velocity of the fluid volume). Additionally or alternatively, the classification may indicate both one or more faults and one or more operational parameters including the aforementioned operational parameters (generally or a first value thereof). For example, the classification may indicate that the fluid volume is experiencing a misplacement defect associated with the nozzle valve opening time (generally or the actual nozzle valve opening time to which the fluid volume was dispensed).
유체 체적의 분류는 유체 체적의 특성의 확률을 포함할 수 있다. 유체 체적의 분류는 유체 체적의 2개 이상의 후보 분류에 기초할 수 있다. 둘 이상의 후보 분류는 기계 학습 도구의 출력 층의 출력 노드에 해당할 수 있다. 둘 이상의 후보 분류 각각은 유체 체적의 특성의 확률을 포함할 수 있다. 유체 체적의 분류는 가장 큰 확률을 갖는 후보 분류를 포함할 수 있다. 분류는 둘 이상의 후보 분류의 확률 분포에 기초할 수 있다.Classification of the fluid volume may include a probability of a characteristic of the fluid volume. The classification of the fluid volume may be based on two or more candidate classifications of the fluid volume. Two or more candidate classifications may correspond to output nodes of the output layer of the machine learning tool. Each of the two or more candidate classifications may include a probability of a characteristic of the fluid volume. The classification of the fluid volume may include the classification of the candidate with the greatest probability. The classification may be based on a probability distribution of two or more candidate classifications.
단계(708)에서, 작동 파라미터의 제2 값(예: 조정된 작동 파라미터(540))은 유체 체적의 분류에 기초하여 결정된다. 작동 파라미터의 제2 값은 작동 파라미터의 제1 값과 동일하거나 상이할 수 있다. 작동 파라미터의 제2 값은 작동 파라미터와 분류에 의해 표시된 유체 체적의 특성(예: 결함) 사이의 하나 이상의 알려진 관계(입력/출력 관계)에 추가로 기초할 수 있다. 예컨대, 하나 이상의 알려진 관계는 분류에 표시된 치수 결함과 유체 체적을 분배하는 데 사용되는 밸브 스템 속도 작동 파라미터 사이의 관계를 포함할 수 있다. 또한, 하나 이상의 관계는 현재의 제1 값으로부터 밸브 스템 속도에 대한 감소가 치수 결함의 감소된 확률에 대응한다는 것을 나타낼 수 있다. 따라서, 감소된 밸브 스템 속도 작동 파라미터는 작동 파라미터의 제2 값에 대해 결정될 수 있다.At
작동 파라미터의 제2 값을 결정하는 것은 유체 체적의 특성(분류에 의해 표시됨)과 범위의 비교에 기초할 수 있다. 범위는 임계값 범위 밖의 값이 그 특성(또는 연관된 특성 또는 특성 세트)과 연관하여 결함으로 간주되는 임계값 범위를 포함할 수 있다. 예컨대, 범위를 벗어난 기판 상의 치수는 기판 상의 형상 결함을 나타낼 수 있고 그에 따라 작동 파라미터의 제2 값이 결정될 수 있다. 반대로, 분류에 의해 표시되는 유체 체적의 특성은 임계 범위의 범위 내에 있을 수 있으며, 따라서 작동 파라미터의 제2 값은 작동 파라미터의 제1 값(즉, 변경 없음)과 동일한 것으로 결정될 수 있다. Determining the second value of the operating parameter may be based on a comparison of the range and properties of the fluid volume (indicated by the classification). The range may include a range of thresholds where values outside the range of thresholds are considered defects in association with that property (or an associated property or set of properties). For example, a dimension on the substrate that is out of range may indicate a shape defect on the substrate and a second value of the operating parameter may be determined accordingly. Conversely, the property of the fluid volume indicated by the classification may be within a range of a critical range, such that the second value of the operating parameter may be determined to be equal to the first value (ie, no change) of the operating parameter.
일 양태에서, 분배 디바이스의 제2 작동 파라미터는 유체 체적의 분류를 결정하기 위해 사용될 수 있다. 즉, 분배 디바이스의 제2 작동 파라미터의 제1 값이 기계 학습 도구에 입력될 수 있다. 분류는 제2 작동 파라미터의 제1 값을 기계 학습 도구에 입력하는 것에 기초하여 추가로 결정된다. 분류는 제2 작동 파라미터를 추가로 나타낼 수 있다. 예컨대, 분류는 밸브 스템 속도(제1 작동 파라미터) 및 밸브 스템 스트로크 길이(제2 작동 파라미터)와 연관된 오배치 결함을 나타낼 수 있다.In an aspect, the second operating parameter of the dispensing device may be used to determine the classification of the fluid volume. That is, the first value of the second operating parameter of the dispensing device may be input to the machine learning tool. The classification is further determined based on the input of the first value of the second operating parameter into the machine learning tool. The classification may further indicate a second operating parameter. For example, the classification may indicate misplacement faults associated with valve stem speed (a first operating parameter) and valve stem stroke length (a second operating parameter).
일 양태에서, 유체 체적의 제2 특성이 결정될 수 있다. 제2 특성은 유체 체적의 분류의 일부로 결정될 수 있다. 즉, 분류는 유체 체적의 제1 및 제2 특성을 모두 나타낸다. 추가적으로 또는 대안적으로, 제2 특성은 비행 유체 체적의 하나 이상의 이미지의 분석을 통해 독립적으로 결정될 수 있다. 제2 특성은 유체 체적의 비행 특성을 포함할 수 있다. 제2 특성은 방향성, 치수, 형상, 액체 체적, 또는 유체 체적의 속도 중 적어도 하나를 포함할 수 있다. 작동 파라미터의 제2 값은 유체 체적의 제2 특성에 추가로 기초할 수 있다.In an aspect, a second characteristic of the fluid volume can be determined. The second characteristic may be determined as part of the classification of the fluid volume. That is, the classification represents both the first and second properties of the fluid volume. Additionally or alternatively, the second characteristic may be independently determined through analysis of one or more images of the flying fluid volume. The second characteristic may include a flight characteristic of the fluid volume. The second characteristic may include at least one of directionality, dimension, shape, liquid volume, or velocity of the fluid volume. The second value of the operating parameter may be further based on a second characteristic of the fluid volume.
작동 파라미터와 유체 체적의 특성 사이의 하나 이상의 알려진 관계는 작동 파라미터, 제2 작동 파라미터, 유체 체적의 특성 또는 유체 체적의 제2 특성 사이의 다변수 관계를 포함할 수 있다. 작동 파라미터의 제2 값은 또한 상기 다변수 관계에 기초할 수 있다.The one or more known relationships between the operating parameter and the property of the fluid volume may include a multivariate relationship between the operating parameter, the second operating parameter, the property of the fluid volume, or the second property of the fluid volume. The second value of the operating parameter may also be based on the multivariate relationship.
단계(710)에서, 제2 유체 체적은 작동 파라미터의 제2 값에 따라 분배 디바이스에 의해 분배된다. 제2 유체 체적을 분배하는 것은 분배 시스템의 노즐의 밸브를 개방 및 폐쇄하는 것을 포함할 수 있다. 제2 유체 체적은 제1 유체 체적과 동일한 기판 또는 상이한 기판에 분배될 수 있다. 제2 유체 체적은 제1 유체 체적에서 미리 결정된 간격(예: 분배된 유체 체적의 수 또는 시간과 연관하여)으로 분배될 수 있다.In
폐쇄 루프 분배 공정 제어를 촉진하기 위해, 제2 유체 체적의 하나 이상의 이미지가 캡처될 수 있고/있거나 제2 유체 체적의 하나 이상의 비행 특성이 결정될 수 있다. 제2 유체 체적의 하나 이상의 이미지 및/또는 제2 유체 체적의 하나 이상의 비행 특성은 제2 유체 체적의 분류(예: 결함 및/또는 다른 특성(들))를 결정하기 위해 기계 학습 도구에 입력될 수 있다. 제2 유체 체적의 분류 및 작동 파라미터와 제2 유체 체적의 결함 및/또는 다른 특성(들) 사이의 알려진 관계에 기초하여, 작동 파라미터의 제3 값이 결정될 수 있다. 폐쇄 루프 분배 공정 제어는 작동 파라미터의 제1 및 제2 값과 유사한 방식으로 작동 파라미터의 제3 값을 사용하여 계속될 수 있다. 분류가 "결함 없음" 분류를 나타내면, 폐쇄 루프 제어가 종료될 수 있다. 대안적으로, 폐쇄 루프 제어가 계속될 수 있지만 동일한 값의 작동 파라미터를 사용하여 후속 유체 체적을 분배한다. 폐쇄 루프 제어를 계속하는 것은 분배 동작의 지속적인 모니터링 및 수정을 위해 루프 반복이 규칙적인 간격으로 수행되는 경우 바람직할 수 있다.To facilitate closed loop dispensing process control, one or more images of the second fluid volume may be captured and/or one or more flight characteristics of the second fluid volume may be determined. The one or more images of the second fluid volume and/or the one or more flight characteristics of the second fluid volume may be input to a machine learning tool to determine a classification (eg, defects and/or other characteristic(s)) of the second fluid volume. can Based on the classification of the second fluid volume and a known relationship between the operating parameter and the defect and/or other characteristic(s) of the second fluid volume, a third value of the operating parameter may be determined. Closed loop dispensing process control may continue using the third value of the operating parameter in a manner similar to the first and second values of the operating parameter. If the classification indicates a "no fault" classification, the closed loop control may be terminated. Alternatively, closed loop control may continue but dispense subsequent fluid volumes using the same value of operating parameters. Continuing closed loop control may be desirable if loop iterations are performed at regular intervals for continuous monitoring and correction of dispensing operations.
일 양태에서, 폐쇄-루프 분배 공정 제어의 적어도 일부는 분배 디바이스의 적어도 하나의 구성요소의 예측된 고장 시간을 결정하기 위해 사용될 수 있다. 추가적으로 또는 대안적으로, 예측된 고장 시간은 분배 디바이스 전체에 대한 것일 수 있다. 분배 디바이스의 적어도 하나의 구성요소는 기계 학습 도구에 대한 입력으로서 사용되는 작동 파라미터와 연관될 수 있다. 적어도 하나의 구성요소는 기계 학습 도구에 의해 결정된 분류(및/또는 그 특성)와 연관될 수 있다. 예컨대, 밸브 니들 및/또는 밸브 시트의 마모는 액체 체적(양) 결함과 연관될 수 있다. 폐쇄 루프 제어를 여러 번 반복하면, 분류 확률이 추적될 수 있다. 다중 반복에 대한 확률의 경향이 식별될 수 있고 이 경향을 사용하여 적어도 하나의 구성요소의 예측된 고장 시간을 결정할 수 있다.In an aspect, at least a portion of the closed-loop dispensing process control may be used to determine a predicted time to failure of at least one component of the dispensing device. Additionally or alternatively, the predicted time to failure may be for the distribution device as a whole. At least one component of the dispensing device may be associated with an operating parameter used as an input to the machine learning tool. At least one component may be associated with a classification (and/or a characteristic thereof) determined by the machine learning tool. For example, wear of the valve needle and/or valve seat may be associated with a liquid volume (quantity) defect. By repeating the closed-loop control several times, the classification probability can be tracked. A trend in probability for multiple iterations can be identified and the trend can be used to determine a predicted time to failure of at least one component.
밸브 니들 및/또는 밸브 시트의 위의 예를 사용하여, 밸브 니들 및/또는 밸브 시트의 마모는 둘 사이에 완전한 밀봉이 형성되는 것을 방지할 수 있다. 이 마모가 진행됨에 따라, 각 분배된 유체 체적의 액체 체적(양)도 마찬가지로 감소할 수 있다. 시간이 지남에 따라 분배된 유체 체적의 액체 체적이 감소함에 따라, 캡처된 이미지에 액체 체적 결함(분류로 표시됨)이 반영될 확률이 증가할 수 있다. 액체 체적 결함의 확률에 의해 나타나는 경향은 식별될 수 있고 예측된 고장 시간에 대한 기초를 형성할 수 있다. 예측된 고장 시간은 밸브 니들, 밸브 시트, 밸브 니들과 밸브 시트 모두, 밸브 니들 및/또는 밸브 시트를 포함하는 노즐, 또는 분배 디바이스에 대한 것일 수 있다.Using the above example of a valve needle and/or valve seat, wear of the valve needle and/or valve seat may prevent a complete seal from forming between the two. As this wear progresses, the liquid volume (amount) of each dispensed fluid volume may likewise decrease. As the liquid volume of the dispensed fluid volume decreases over time, the probability that the captured image will reflect a liquid volume defect (represented by a classification) may increase. The trends exhibited by the probability of liquid volume defects can be identified and form the basis for predicted failure times. The predicted time to failure may be for a valve needle, a valve seat, both a valve needle and a valve seat, a nozzle comprising a valve needle and/or a valve seat, or a dispensing device.
당업자는 본원에 개시된 시스템 및 방법이 하나 이상의 프로세서, 시스템 메모리, 및 프로세서를 포함한 다양한 시스템 구성요소를 시스템 메모리에 결합하는 시스템 버스를 포함할 수 있지만 이에 제한되지 않는 컴퓨팅 디바이스를 통해 구현될 수 있음을 인식할 것이다. 다중 프로세서의 경우, 시스템은 병렬 컴퓨팅을 사용할 수 있다.Those skilled in the art will appreciate that the systems and methods disclosed herein may be implemented via computing devices, which may include, but are not limited to, one or more processors, system memory, and a system bus coupling various system components, including processors, to system memory. will recognize In the case of multiple processors, the system may use parallel computing.
예시의 목적을 위해, 애플리케이션 프로그램 및 작동 시스템와 같은 다른 실행 가능한 프로그램 구성요소는 본 명세서에서 개별 블록으로 예시되지만, 그러한 프로그램 및 구성요소는 컴퓨팅 디바이스의 상이한 저장 구성요소에 다양한 시간에 상주하고, 컴퓨터의 데이터 프로세서(들)에 의해 실행된다는 것이 인식된다. 서비스 소프트웨어의 구현은 컴퓨터 판독 가능 매체의 일부 형태에 저장되거나 이를 통해 전송될 수 있다. 개시된 방법 중 임의의 것은 컴퓨터 판독가능 매체 상에 구현된 컴퓨터 판독가능 명령에 의해 수행될 수 있다. 컴퓨터 판독 가능 매체는 컴퓨터에 의해 액세스될 수 있는 모든 이용 가능한 매체일 수 있다. 예로서 제한하려는 것이 아니라, 컴퓨터 판독가능 매체는 "컴퓨터 저장 매체" 및 "통신 매체"를 포함할 수 있다. "컴퓨터 저장 매체"는 컴퓨터 판독 가능 명령, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 휘발성 및 비휘발성, 이동식 및 비이동식 매체를 포함한다. 예시적인 컴퓨터 저장 매체는 RAM, ROM, EEPROM, 플래시 메모리 또는 기타 메모리 기술, CD-ROM, 디지털 다목적 디스크(DVD) 또는 기타 광학 저장부, 자기 카세트, 자기 테이프, 자기 디스크 저장부 또는 다른 자기 저장 디바이스, 또는 원하는 정보를 저장하는 데 사용할 수 있고 컴퓨터에서 액세스할 수 있는 기타 매체를 포함하지만, 이들에 국한되지 않는다. 애플리케이션 프로그램 등 및/또는 저장 매체는 원격 시스템에서 적어도 부분적으로 구현될 수 있다.For purposes of illustration, other executable program components, such as application programs and operating systems, are illustrated herein as separate blocks, although such programs and components reside at various times in different storage components of a computing device and are It is recognized that the data processor(s) are executed. An implementation of the service software may be stored on or transmitted over on some form of computer-readable medium. Any of the disclosed methods may be performed by computer readable instructions embodied on a computer readable medium. Computer-readable media can be any available media that can be accessed by a computer. By way of example and not limitation, computer-readable media may include “computer storage media” and “communication media”. "Computer storage medium" includes volatile and nonvolatile, removable and non-removable media implemented in any method or technology for storage of information such as computer readable instructions, data structures, program modules or other data. Exemplary computer storage media include RAM, ROM, EEPROM, flash memory or other memory technology, CD-ROM, digital versatile disk (DVD) or other optical storage, magnetic cassette, magnetic tape, magnetic disk storage, or other magnetic storage device. , or any other medium that can be used to store the desired information and which can be accessed by a computer. An application program, etc. and/or a storage medium may be implemented at least partially in a remote system.
명세서 및 첨부된 청구범위에 사용된 바와 같이, 단수 형태의 용어는 문맥이 달리 명백하게 지시하지 않는 한 복수 지시 대상을 포함한다. 범위는 본원에서 "약" 하나의 특정 값 및/또는 "약" 다른 특정 값으로 표현될 수 있다. 이러한 범위가 표현될 때, 다른 실시예는 하나의 특정 값 및/또는 다른 특정 값을 포함한다. 유사하게, 값이 근사치로서 표현될 때, 선행 "약"을 사용함으로써, 특정 값이 다른 실시예를 형성함을 이해할 것이다. 각각의 범위의 종점은 다른 종점과 연관하여 그리고 다른 종점과는 독립적으로 모두 중요하다는 것이 추가로 이해될 것이다.As used in the specification and appended claims, terms in the singular include plural referents unless the context clearly dictates otherwise. Ranges may be expressed herein as “about” one particular value and/or “about” another particular value. When such ranges are expressed, other embodiments include the one particular value and/or the other particular value. Similarly, when values are expressed as approximations, by using the antecedent "about," it will be understood that the particular value forms another embodiment. It will be further understood that the endpoints of each range are significant both in relation to the other endpoints and independently of the other endpoints.
본원에서 값의 범위에 대한 언급은 본원에서 달리 표시되지 않는 한 범위 내에 속하는 각각의 개별 값을 개별적으로 참조하는 약식 방법으로서 역할을 할 뿐이며, 각각의 개별 값은 마치 개별적으로 본원에 인용된 것처럼 명세서에 통합된다. Recitation of a range of values herein serves only as a shorthand method of individually referencing each individual value falling within the range, unless otherwise indicated herein, and each individual value is incorporated into the specification as if it were individually recited herein. is integrated into
본 명세서의 설명 및 청구범위 전반에 걸쳐, "포함하다"라는 단어 및 "포함하는" 및 "포함한다"과 같은 단어의 변형은 "포함하지만 이에 국한되지 않는"을 의미하며, 예컨대, 다른 구성요소, 정수 또는 단계를 배제하도록 의도하지 않는다. "예시적인"은 "~의 예"를 의미하며 바람직하거나 이상적인 실시예의 표시를 전달하기 위한 것이 아니다. "~와 같은"은 제한적인 의미가 아니라 설명의 목적으로 사용된다.Throughout the description and claims of this specification, the word "comprises" and variations of words such as "comprising" and "comprises" mean "including but not limited to", e.g., other elements , integers or steps are not intended to be excluded. “Exemplary” means “an example of” and is not intended to convey an indication of a preferred or ideal embodiment. "Such as" is used for descriptive purposes and not in a limiting sense.
개시된 방법 및 시스템을 수행하기 위해 사용될 수 있는 구성요소가 개시된다. 이들 및 기타 구성요소가 본원에 개시되고, 이들 구성요소의 조합, 서브세트, 상호작용, 그룹 등이 개시될 때, 각각의 다양한 개별 및 집합적 조합 및 이들의 순열에 대한 특정 참조가 명시적으로 개시되지 않을 수 있고, 각각은 본원에서 모든 방법 및 시스템에 대해 구체적으로 고려되고 설명된다는 것을 이해해야 한다. 이는 개시된 방법의 단계를 포함하지만 이에 국한되지 않는 본 출원의 모든 양태에 적용된다. 따라서, 수행될 수 있는 다양한 추가 단계가 있는 경우, 이러한 추가 단계 각각은 개시된 방법의 임의의 특정 실시예 또는 실시예의 조합으로 수행될 수 있음을 이해해야 한다.Components that can be used to perform the disclosed methods and systems are disclosed. When these and other elements are disclosed herein, and when combinations, subsets, interactions, groups, etc. of these elements are disclosed, specific references to each of the various individual and collective combinations and permutations thereof are expressly It should be understood that each may not be disclosed, and each is specifically contemplated and described herein for all methods and systems. This applies to all aspects of the present application, including but not limited to the steps of the disclosed method. Thus, where there are various additional steps that may be performed, it should be understood that each of these additional steps may be performed in any particular embodiment or combination of embodiments of the disclosed method.
달리 명시적으로 언급되지 않는 한, 본원에 설명된 임의의 방법은 그 단계가 특정 순서로 수행되어야 하는 것으로 해석되도록 의도하지 않는다. 따라서, 방법 청구항이 그 단계가 따라야 할 순서를 실제로 언급하지 않거나 또는 단계가 특정 순서로 제한되어야 한다는 청구항 또는 설명에서 달리 구체적으로 언급되지 않은 경우, 그 순서가 어떤 점에서든 추론할 수 있도록 의도되지 않는다. 이것은 단계 배열 또는 작동 흐름에 대한 논리 문제; 문법적 구성이나 구두점에서 파생된 평범한 의미; 명세서에 기술된 실시예의 수 또는 유형을 포함하여 해석을 위한 모든 가능한 비명시적 근거에 적용된다. Unless explicitly stated otherwise, any method described herein is not intended to be construed as requiring the steps to be performed in a particular order. Accordingly, if a method claim does not actually recite the order that the steps are to be followed, or that the steps are to be limited to a particular order, unless specifically stated otherwise in the claim or description, the order is not intended to be inferred in any respect. . This could be a logical problem with the sequence of steps or the flow of operations; plain meaning derived from grammatical construction or punctuation; All possible non-explicit grounds for interpretation, including the number or type of embodiments described in the specification, apply.
범위 또는 사상을 벗어남이 없이 다양한 수정 및 변형이 이루어질 수 있다는 것은 당업자에게 명백할 것이다. 다른 실시예는 본원에 개시된 명세서 및 실시를 고려하여 당업자에게 명백할 것이다. 명세서 및 예는 다음 청구범위에 의해 표시되는 진정한 범위 및 정신과 함께 단지 예시적인 것으로 간주되도록 의도된다. It will be apparent to those skilled in the art that various modifications and variations can be made without departing from the scope or spirit. Other embodiments will be apparent to those skilled in the art from consideration of the specification and practice disclosed herein. The specification and examples are intended to be regarded as illustrative only, with the true scope and spirit indicated by the following claims.
Claims (50)
상기 분배 디바이스의 작동 파라미터의 제1 값에 따라 상기 노즐로부터 점성 유체의 부분을 분배하기 위해 상기 밸브를 개방 및 폐쇄하는 단계;
상기 점성 유체의 부분의 하나 이상의 이미지를 캡처하는 단계;
상기 점성 유체의 부분에 대한 하나 이상의 이미지 및/또는 상기 작동 파라미터의 제1 값을 기계 학습 도구에 입력하여 상기 점성 유체의 부분의 결함 분류(defect classification)를 결정하는 단계; 및
상기 점성 유체의 부분의 결함 분류에 기초하여 상기 작동 파라미터의 제2 값을 결정하는 단계를 포함하는, 분배 디바이스의 작동 방법.A method of operating a dispensing device for dispensing a viscous fluid having a nozzle and a valve, the method comprising:
opening and closing the valve to dispense a portion of the viscous fluid from the nozzle according to a first value of an operating parameter of the dispensing device;
capturing one or more images of the portion of the viscous fluid;
inputting one or more images of the portion of the viscous fluid and/or first values of the operating parameters into a machine learning tool to determine a defect classification of the portion of the viscous fluid; and
determining a second value of the operating parameter based on a fault classification of the portion of the viscous fluid.
상기 분배 디바이스의 작동 파라미터의 제2 값에 따라 상기 분배 디바이스로부터 점성 유체의 제2 부분을 분배하는 단계를 추가로 포함하는, 분배 디바이스의 작동 방법.According to claim 1,
and dispensing a second portion of the viscous fluid from the dispensing device according to a second value of the operating parameter of the dispensing device.
상기 점성 유체의 부분의 결함 분류는 분배된 부분들의 이미지들, 및 분배된 부분들과 연관된 작동 파라미터들을 결함 분류들과 연관시키기 위해 상기 기계 학습 도구의 트레이닝(training)에 기초하여 상기 기계 학습 도구에 의해 결정되는, 분배 디바이스의 작동 방법.According to claim 1,
The defect classification of the portion of the viscous fluid is performed in the machine learning tool based on training of the machine learning tool to associate images of the dispensed portions, and operating parameters associated with the dispensed portions, with the defect classifications. a method of operation of the dispensing device, which is determined by
상기 점성 유체의 부분의 분류는 상기 점성 유체의 부분의 하나 이상의 결함 분류의 확률(probability)인, 분배 디바이스의 작동 방법.4. The method of claim 3,
wherein the classification of the portion of the viscous fluid is a probability of one or more defect classifications of the portion of the viscous fluid.
상기 결함 분류는 상기 점성 유체의 부분의 특성을 나타내고, 상기 방법은:
상기 점성 유체의 부분의 특성을 범위와 비교하고,
상기 작동 파라미터의 제2 값을 결정하는 단계는 상기 범위 밖에 있는 상기 점성 유체의 부분의 특성에 기초하는, 분배 디바이스의 작동 방법.According to claim 1,
The defect classification is indicative of a characteristic of the portion of the viscous fluid, the method comprising:
comparing the properties of the portion of the viscous fluid to the range;
and determining the second value of the operating parameter is based on a characteristic of the portion of the viscous fluid that is outside the range.
상기 점성 유체의 부분의 특성은 기판 상의 점성 유체의 부분의 결함 특성을 포함하는, 분배 디바이스의 작동 방법.6. The method of claim 5,
wherein the characteristic of the portion of the viscous fluid comprises a defect characteristic of the portion of the viscous fluid on the substrate.
상기 결함 특성은 상기 기판 상의 점성 유체의 부분의 오배치, 상기 기판 상의 점성 유체의 하나 이상의 위성 부분 중 적어도 하나와 연관되고 및 상기 점성 유체의 부분, 상기 기판 상의 점성 유체의 부분의 치수, 상기 기판 상의 점성 유체의 부분의 액체 부분, 또는 상기 기판 상의 점성 유체의 부분의 중량과 연관되는, 분배 디바이스의 작동 방법.7. The method of claim 6,
the defect characteristic is associated with at least one of a misplacement of the portion of the viscous fluid on the substrate, the one or more satellite portions of the viscous fluid on the substrate, and the dimensions of the portion of the viscous fluid, the portion of the viscous fluid on the substrate, the substrate the liquid portion of the portion of the viscous fluid on the substrate, or the weight of the portion of the viscous fluid on the substrate.
상기 점성 유체의 부분의 분류는 상기 노즐에서의 점성 유체 축적과 연관된 상기 점성 유체의 부분의 결함 특성을 나타내는, 분배 디바이스의 작동 방법.4. The method of claim 3,
and the classification of the portion of the viscous fluid is indicative of a defective characteristic of the portion of the viscous fluid associated with the accumulation of the viscous fluid in the nozzle.
상기 작동 파라미터의 제2 값은 상기 작동 파라미터와 상기 점성 유체의 부분의 특성 사이의 알려진 관계에 추가로 기초하는, 분배 디바이스의 작동 방법.4. The method of claim 3,
and the second value of the operating parameter is further based on a known relationship between the operating parameter and a characteristic of the portion of the viscous fluid.
상기 기계 학습 도구에 상기 분배 디바이스의 제2 작동 파라미터의 제1 값을 입력하는 단계를 추가로 포함하고,
상기 점성 유체의 부분의 분류는 상기 제2 작동 파라미터의 제1 값에 추가로 기초하는, 분배 디바이스의 작동 방법.4. The method of claim 3,
further comprising inputting a first value of a second operating parameter of the dispensing device into the machine learning tool;
and the classification of the portion of the viscous fluid is further based on a first value of the second operating parameter.
상기 점성 유체의 부분의 제2 특성을 결정하는 단계를 추가로 포함하고,
상기 작동 파라미터의 제2 값은 상기 점성 유체의 부분의 제2 특성에 추가로 기초하는, 분배 디바이스의 작동 방법.11. The method of claim 10,
further comprising determining a second characteristic of the portion of the viscous fluid;
and the second value of the operating parameter is further based on a second characteristic of the portion of the viscous fluid.
상기 작동 파라미터의 제2 값은 상기 작동 파라미터, 상기 제2 작동 파라미터, 상기 점성 유체의 부분의 특성, 또는 상기 점성 유체의 부분의 제2 특성 사이의 알려진 다변수(multi-variate) 관계에 추가로 기초하는, 분배 디바이스의 작동 방법.12. The method of claim 11,
The second value of the operating parameter is in addition to a known multi-variate relationship between the operating parameter, the second operating parameter, a property of the portion of the viscous fluid, or a second property of the portion of the viscous fluid. based, method of operation of the dispensing device.
상기 점성 유체의 부분의 제2 특성은 방향성, 치수, 형상, 액체 체적, 또는 속도 중 적어도 하나를 포함하는, 분배 디바이스의 작동 방법.12. The method of claim 11,
wherein the second characteristic of the portion of the viscous fluid comprises at least one of directionality, dimension, shape, liquid volume, or velocity.
상기 분배 디바이스에 의해 분배된 상기 점성 유체의 하나 이상의 추가 부분 및 상기 기계 학습 도구에 입력된 연관 이미지들에 기초하여, 상기 점성 유체의 하나 이상의 추가 부분의 하나 이상의 각각의 분류를 결정하는 단계; 및
상기 점성 유체의 하나 이상의 추가 부분의 하나 이상의 각각의 분류에 기초하여, 상기 분배 디바이스의 적어도 하나의 구성요소의 예측된 고장 시간을 결정하는 단계를 추가로 포함하는, 분배 디바이스의 작동 방법.4. The method of claim 3,
determining one or more respective classifications of the one or more additional portions of the viscous fluid based on the one or more additional portions of the viscous fluid dispensed by the dispensing device and associated images input to the machine learning tool; and
based on one or more respective classifications of the one or more additional portions of the viscous fluid, determining a predicted time of failure of at least one component of the dispensing device.
상기 점성 유체의 부분의 분류 및 상기 점성 유체의 하나 이상의 추가 부분의 하나 이상의 각각의 분류 각각은 상기 각각의 분류의 확률을 포함하고, 및
상기 예측된 고장 시간을 결정하는 단계는 상기 점성 유체의 부분 및 상기 점성 유체의 하나 이상의 추가 부분의 각각의 분류의 확률들의 경향(trend)을 결정하는 단계를 포함하는, 분배 디바이스의 작동 방법.15. The method of claim 14,
each of the classification of the portion of the viscous fluid and the one or more respective classifications of the one or more additional portions of the viscous fluid comprises a probability of the respective classification, and
and determining the predicted time to failure comprises determining a trend of probabilities of each classification of the portion of the viscous fluid and the one or more additional portions of the viscous fluid.
상기 분배 디바이스의 작동 파라미터는 밸브 스템 속도, 니들 속도, 밸브 스템 스트로크 길이, 니들 스트로크 길이, 작동 타이밍, 작동 스트로크 길이, 노즐 밸브 개방 속도, 노즐 밸브 폐쇄 속도, 노즐 밸브 개방 시간, 노즐 밸브 개폐 빈도, 분배 빈도, 유체 압력, 노즐 온도, 니들 크기, 밸브 스템 크기, 노즐 개구의 폭, 분배 디바이스 배치, 분배 중의 분배 디바이스 이동 속도 또는 분배 중의 분배 디바이스 방향성 중 적어도 하나를 포함하는, 분배 디바이스의 작동 방법.According to claim 1,
The operating parameters of the dispensing device are: valve stem speed, needle speed, valve stem stroke length, needle stroke length, operating timing, operating stroke length, nozzle valve opening speed, nozzle valve closing speed, nozzle valve opening time, nozzle valve opening and closing frequency, A method of operating a dispensing device comprising at least one of dispensing frequency, fluid pressure, nozzle temperature, needle size, valve stem size, nozzle opening width, dispensing device placement, dispensing device movement speed during dispensing, or dispensing device directionality during dispensing.
상기 밸브의 개방 및 폐쇄는 상기 노즐의 이동 중에 발생하고 상기 점성 유체의 부분은 불연속인, 분배 디바이스의 작동 방법.According to claim 1,
and the opening and closing of the valve occurs during movement of the nozzle and the portion of the viscous fluid is discontinuous.
상기 분배 디바이스의 작동 파라미터의 제1 값에 따라 상기 노즐로부터 점성 유체의 부분을 분배하기 위해 상기 밸브를 개방 및 폐쇄하는 단계;
센서로부터의 데이터에 기초하여, 상기 분배 디바이스로부터 분배된 상기 점성 유체의 부분의 특성을 결정하는 단계;
상기 점성 유체의 부분의 특성 및/또는 상기 작동 파라미터들의 제1 값을 기계 학습 도구에 입력하여 상기 점성 유체의 부분의 결함 분류를 결정하는 단계; 및
상기 점성 유체의 부분의 결함 분류에 기초하여 상기 작동 파라미터의 제2 값을 결정하는 단계를 포함하는, 분배 디바이스의 작동 방법.A method of operating a dispensing device for dispensing a viscous fluid having a nozzle and a valve, the method comprising:
opening and closing the valve to dispense a portion of the viscous fluid from the nozzle according to a first value of an operating parameter of the dispensing device;
determining, based on data from a sensor, a characteristic of the portion of the viscous fluid dispensed from the dispensing device;
inputting a characteristic of the portion of the viscous fluid and/or first values of the operating parameters into a machine learning tool to determine a defect classification of the portion of the viscous fluid; and
determining a second value of the operating parameter based on a fault classification of the portion of the viscous fluid.
상기 센서는 상기 점성 유체의 부분의 하나 이상의 이미지를 캡처하도록 구성된 카메라를 포함하고, 상기 센서로부터의 데이터는 상기 점성 유체의 부분의 하나 이상의 이미지를 포함하는, 분배 디바이스의 작동 방법.19. The method of claim 18,
wherein the sensor comprises a camera configured to capture one or more images of the portion of the viscous fluid, and wherein the data from the sensor comprises one or more images of the portion of the viscous fluid.
상기 센서는 상기 점성 유체의 부분의 중량을 측정하도록 구성된 저울을 포함하고, 상기 센서로부터의 데이터는 상기 점성 유체의 부분의 중량을 포함하는, 분배 디바이스의 작동 방법.19. The method of claim 18,
wherein the sensor comprises a scale configured to measure the weight of the portion of the viscous fluid, and wherein the data from the sensor comprises the weight of the portion of the viscous fluid.
상기 점성 유체의 부분의 결함 분류는 분배된 부분들의 이미지들, 및 분배된 부분들과 연관된 작동 파라미터들을 상기 결함 분류들과 연관시키기 위해 상기 기계 학습 도구의 트레이닝에 기초하여 상기 기계 학습 도구에 의해 결정되는, 분배 디바이스의 작동 방법.19. The method of claim 18,
The defect classification of the part of the viscous fluid is determined by the machine learning tool based on training of the machine learning tool to associate images of the dispensed parts, and operating parameters associated with the dispensed parts, with the defect classifications. A method of operating a dispensing device.
상기 점성 유체의 부분의 분류는 상기 기판 상의 점성 유체의 부분의 결함 특성을 나타내는, 분배 디바이스의 작동 방법.19. The method of claim 18,
and the classification of the portion of the viscous fluid is indicative of a defect characteristic of the portion of the viscous fluid on the substrate.
상기 결함 특성은 상기 기판 상의 점성 유체의 부분의 오배치, 상기 기판 상의 점성 유체의 하나 이상의 위성 부분 중 적어도 하나와 연관되고 및 상기 점성 유체의 부분, 상기 기판 상의 점성 유체의 부분의 치수, 상기 기판 상의 점성 유체의 부분의 액체 체적, 또는 상기 기판 상의 점성 유체의 부분의 중량과 연관되는, 분배 디바이스의 작동 방법.23. The method of claim 22,
the defect characteristic is associated with at least one of a misplacement of the portion of the viscous fluid on the substrate, the one or more satellite portions of the viscous fluid on the substrate, and the dimensions of the portion of the viscous fluid, the portion of the viscous fluid on the substrate, the substrate the liquid volume of the portion of the viscous fluid on the substrate, or the weight of the portion of the viscous fluid on the substrate.
상기 점성 유체의 부분의 분류는 상기 노즐에서의 점성 유체 축적과 연관된 상기 점성 유체의 부분의 결함 특성을 나타내는, 분배 디바이스의 작동 방법.19. The method of claim 18,
and the classification of the portion of the viscous fluid is indicative of a defective characteristic of the portion of the viscous fluid associated with the accumulation of the viscous fluid in the nozzle.
상기 작동 파라미터의 제2 값은 상기 작동 파라미터와 상기 점성 유체의 부분의 분류에 의해 표시되는 상기 점성 유체의 부분의 특성 사이의 알려진 관계에 추가로 기초하는, 분배 디바이스의 작동 방법.19. The method of claim 18,
and the second value of the operating parameter is further based on a known relationship between the operating parameter and a property of the portion of the viscous fluid indicated by the classification of the portion of the viscous fluid.
상기 분배 디바이스의 제2 작동 파라미터의 제1 값을 상기 기계 학습 도구에 입력하는 단계를 추가로 포함하고, 상기 점성 유체의 부분의 분류는 상기 제2 작동 파라미터의 제1 값에 추가로 기초하는, 분배 디바이스의 작동 방법.19. The method of claim 18,
further comprising inputting a first value of a second operating parameter of the dispensing device into the machine learning tool, wherein the classification of the portion of the viscous fluid is further based on the first value of the second operating parameter. How the dispensing device works.
상기 점성 유체의 부분의 제2 특성을 결정하는 단계를 추가로 포함하고, 상기 작동 파라미터의 제2 값은 상기 점성 유체의 부분의 제2 특성에 추가로 기초하는, 분배 디바이스의 작동 방법.27. The method of claim 26,
and determining a second characteristic of the portion of the viscous fluid, wherein the second value of the operating parameter is further based on a second characteristic of the portion of the viscous fluid.
상기 작동 파라미터의 제2 값은 상기 작동 파라미터, 상기 제2 작동 파라미터, 상기 점성 유체의 부분의 특성, 또는 상기 점성 유체의 부분의 제2 특성 사이의 알려진 다변수 관계에 추가로 기초하는, 분배 디바이스의 작동 방법.28. The method of claim 27,
wherein the second value of the operating parameter is further based on a known multivariate relationship between the operating parameter, the second operating parameter, a property of the portion of the viscous fluid, or a second property of the portion of the viscous fluid. how it works.
상기 점성 유체의 부분의 특성은 방향성, 치수, 형상, 액체 체적, 또는 속도 중 적어도 하나를 포함하는, 분배 디바이스의 작동 방법.19. The method of claim 18,
wherein the characteristic of the portion of the viscous fluid comprises at least one of directionality, dimension, shape, liquid volume, or velocity.
상기 분배 디바이스에 의해 분배된 상기 점성 유체의 하나 이상의 추가 부분 및 상기 기계 학습 도구에 입력된 연관 특성들에 기초하여, 상기 점성 유체의 하나 이상의 추가 부분의 하나 이상의 각각의 분류를 결정하는 단계; 및
상기 점성 유체의 하나 이상의 추가 부분의 하나 이상의 각각의 분류에 기초하여, 상기 분배 디바이스의 적어도 하나의 구성요소의 예측된 고장 시간을 결정하는 단계를 추가로 포함하는, 분배 디바이스의 작동 방법.19. The method of claim 18,
determining one or more respective classifications of the one or more additional portions of the viscous fluid based on the one or more additional portions of the viscous fluid dispensed by the dispensing device and associated characteristics input to the machine learning tool; and
based on one or more respective classifications of the one or more additional portions of the viscous fluid, determining a predicted time of failure of at least one component of the dispensing device.
상기 점성 유체의 부분의 분류 및 상기 점성 유체의 하나 이상의 추가 부분의 하나 이상의 각각의 분류 각각은 상기 각각의 분류의 확률을 포함하고, 및
상기 예측된 고장 시간을 결정하는 단계는 상기 점성 유체의 부분 및 상기 점성 유체의 하나 이상의 추가 부분의 각각의 분류의 확률들의 경향을 결정하는 단계를 포함하는, 분배 디바이스의 작동 방법.31. The method of claim 30,
each of the classification of the portion of the viscous fluid and the one or more respective classifications of the one or more additional portions of the viscous fluid comprises a probability of the respective classification, and
wherein determining the predicted time to failure comprises determining a trend of probabilities of each classification of the portion of the viscous fluid and the one or more additional portions of the viscous fluid.
상기 분배 디바이스의 작동 파라미터는 밸브 스템 속도, 니들 속도, 밸브 스템 스트로크 길이, 니들 스트로크 길이, 작동 타이밍, 작동 스트로크 길이, 노즐 밸브 개방 속도, 노즐 밸브 폐쇄 속도, 노즐 밸브 개방 시간, 노즐 밸브 개폐 빈도, 분배 빈도, 유체 압력, 노즐 온도, 니들 크기, 밸브 스템 크기, 노즐 개구의 폭, 분배 디바이스 배치, 분배 중의 분배 디바이스 이동 속도 또는 분배 중의 분배 디바이스 방향성 중 적어도 하나를 포함하는, 분배 디바이스의 작동 방법.19. The method of claim 18,
The operating parameters of the dispensing device are: valve stem speed, needle speed, valve stem stroke length, needle stroke length, operating timing, operating stroke length, nozzle valve opening speed, nozzle valve closing speed, nozzle valve opening time, nozzle valve opening and closing frequency, A method of operating a dispensing device comprising at least one of dispensing frequency, fluid pressure, nozzle temperature, needle size, valve stem size, nozzle opening width, dispensing device placement, dispensing device movement speed during dispensing, or dispensing device directionality during dispensing.
상기 밸브의 개방 및 폐쇄는 상기 노즐의 이동 중에 발생하고 상기 점성 유체의 부분들은 불연속인, 분배 디바이스의 작동 방법.19. The method of claim 18,
and the opening and closing of the valve occurs during movement of the nozzle and the portions of the viscous fluid are discontinuous.
분배 디바이스에 의해 분배된 점성 유체의 부분의 하나 이상의 사진을 캡처하도록 배열된 카메라; 및
하나 이상의 신호를 생성하도록 구성된 제어기를 포함하고,
상기 하나 이상의 신호는:
상기 분배 디바이스의 작동 파라미터의 제1 값에 따라 상기 분배 디바이스로부터 점성 유체의 부분을 분배하기 위해 상기 분배 디바이스의 밸브를 개방 및 폐쇄하고,
상기 카메라를 사용하여 상기 점성 유체의 부분의 하나 이상의 이미지를 캡처하고,
상기 점성 유체의 부분의 하나 이상의 이미지 및/또는 상기 작동 파라미터의 제1 값을 기계 학습 도구에 입력하여 상기 점성 유체의 부분의 결함 분류를 결정하고, 및
상기 점성 유체의 부분의 분류에 기초하여 상기 작동 파라미터의 제2 값을 결정하는, 분배 시스템.A distribution system comprising:
a camera arranged to capture one or more pictures of the portion of the viscous fluid dispensed by the dispensing device; and
a controller configured to generate one or more signals;
The one or more signals are:
opening and closing a valve of the dispensing device to dispense a portion of the viscous fluid from the dispensing device according to a first value of an operating parameter of the dispensing device;
capturing one or more images of the portion of the viscous fluid using the camera;
input one or more images of the portion of the viscous fluid and/or the first values of the operating parameters into a machine learning tool to determine a defect classification of the portion of the viscous fluid, and
and determine a second value of the operating parameter based on the classification of the portion of the viscous fluid.
상기 분배 디바이스의 작동 파라미터의 제2 값에 따라 상기 분배 디바이스로부터 점성 유체의 제2 부분을 분배하는,
신호를 생성하도록 추가로 구성되는, 분배 시스템.35. The method of claim 34, wherein the controller comprises:
dispensing a second portion of the viscous fluid from the dispensing device according to a second value of an operating parameter of the dispensing device;
A distribution system, further configured to generate a signal.
상기 점성 유체의 부분의 결함 분류는 분배된 부분들의 이미지, 및 분배된 부분들과 연관된 작동 파라미터들을 결함 분류들과 연관시키기 위해 상기 기계 학습 도구의 트레이닝에 기초하여 상기 기계 학습 도구에 의해 결정되는, 분배 시스템. 35. The method of claim 34,
wherein the defect classification of the portion of the viscous fluid is determined by the machine learning tool based on training of the machine learning tool to associate an image of the dispensed portions and operating parameters associated with the dispensed portions with the defect classifications. distribution system.
상기 점성 유체의 부분의 분류는 상기 점성 유체의 부분의 특성을 나타내고 상기 점성 유체의 부분의 분류는 상기 점성 유체의 부분의 특성의 확률을 나타내는, 분배 시스템. 37. The method of claim 36,
wherein the classification of the portion of the viscous fluid is indicative of a characteristic of the portion of the viscous fluid and the classification of the portion of the viscous fluid is indicative of a probability of the characteristic of the portion of the viscous fluid.
상기 점성 유체의 부분의 특성을 범위와 비교하는 신호를 생성하도록 추가로 구성되고,
상기 작동 파라미터의 제2 값을 결정하는 단계는 상기 범위 밖에 있는 상기 점성 유체의 부분의 특성에 기초하는, 분배 시스템.38. The method of claim 37, wherein the controller comprises:
further configured to generate a signal comparing a property of the portion of the viscous fluid to a range,
and determining the second value of the operating parameter is based on a characteristic of the portion of the viscous fluid that is outside the range.
상기 점성 유체의 부분의 특성은 기판 상의 점성 유체의 부분의 결함 특성을 포함하는, 분배 시스템.38. The method of claim 37,
wherein the characteristic of the portion of the viscous fluid comprises a defect characteristic of the portion of the viscous fluid on the substrate.
상기 결함 특성은 상기 기판 상의 점성 유체의 부분의 오배치, 상기 기판 상의 점성 유체의 하나 이상의 위성 부분 중 적어도 하나와 연관되고 및 상기 점성 유체의 부분, 상기 기판 상의 점성 유체의 부분의 치수, 상기 기판 상의 점성 유체의 부분의 액체 부분, 또는 상기 기판 상의 점성 유체의 부분의 중량과 연관되는, 분배 시스템.40. The method of claim 39,
the defect characteristic is associated with at least one of a misplacement of the portion of the viscous fluid on the substrate, the one or more satellite portions of the viscous fluid on the substrate, and the dimensions of the portion of the viscous fluid, the portion of the viscous fluid on the substrate, the substrate associated with the weight of the liquid portion of the portion of the viscous fluid on the substrate, or the weight of the portion of the viscous fluid on the substrate.
상기 점성 유체의 부분의 분류는 상기 분배 디바이스의 노즐에서의 점성 유체 축적과 연관된 상기 점성 유체의 부분의 결함 특성을 나타내는, 분배 시스템.38. The method of claim 37,
and the classification of the portion of the viscous fluid is indicative of a defective characteristic of the portion of the viscous fluid associated with viscous fluid accumulation at the nozzle of the dispensing device.
상기 작동 파라미터의 제2 값은 상기 작동 파라미터와 상기 점성 유체의 부분의 특성 사이의 알려진 관계에 추가로 기초하는, 분배 시스템.38. The method of claim 37,
and the second value of the operating parameter is further based on a known relationship between the operating parameter and a property of the portion of the viscous fluid.
상기 기계 학습 도구에 상기 분배 디바이스의 제2 작동 파라미터의 제1 값을 입력하는 신호를 생성하도록 추가로 구성되고,
상기 점성 유체의 부분의 분류는 상기 제2 작동 파라미터의 제1 값에 추가로 기초하는, 분배 시스템.38. The method of claim 37, wherein the controller comprises:
further configured to generate a signal for inputting a first value of a second operating parameter of the dispensing device to the machine learning tool;
and the classification of the portion of the viscous fluid is further based on a first value of the second operating parameter.
상기 점성 유체의 부분의 제2 특성을 결정하는 신호를 생성하도록 추가로 구성되고,
상기 작동 파라미터의 제2 값은 상기 점성 유체의 부분의 제2 특성에 추가로 기초하는, 분배 시스템.44. The method of claim 43, wherein the controller comprises:
further configured to generate a signal determining a second characteristic of the portion of the viscous fluid,
and the second value of the operating parameter is further based on a second characteristic of the portion of the viscous fluid.
상기 작동 파라미터의 제2 값은 상기 작동 파라미터, 상기 제2 작동 파라미터, 상기 점성 유체의 부분의 특성, 또는 상기 점성 유체의 부분의 제2 특성 사이의 알려진 다변수 관계에 추가로 기초하는, 분배 시스템.45. The method of claim 44,
wherein the second value of the operating parameter is further based on a known multivariate relationship between the operating parameter, the second operating parameter, a property of the portion of the viscous fluid, or a second property of the portion of the viscous fluid. .
상기 점성 유체의 부분의 제2 특성은 방향성, 치수, 형상, 액체 체적, 또는 속도 중 적어도 하나를 포함하는, 분배 시스템.45. The method of claim 44,
wherein the second characteristic of the portion of the viscous fluid comprises at least one of directionality, dimension, shape, liquid volume, or velocity.
상기 신호는:
상기 분배 디바이스에 의해 분배된 상기 점성 유체의 하나 이상의 추가 부분 및 상기 기계 학습 도구에 입력된 연관 이미지들에 기초하여, 상기 점성 유체의 하나 이상의 추가 부분의 하나 이상의 각각의 분류를 결정하고; 및
상기 점성 유체의 하나 이상의 추가 부분의 하나 이상의 각각의 분류에 기초하여, 상기 분배 디바이스의 적어도 하나의 구성요소의 예측된 고장 시간을 결정하는, 분배 시스템.38. The method of claim 37, wherein the controller is further configured to generate a signal,
The signal is:
determine one or more respective classifications of the one or more additional portions of the viscous fluid based on the one or more additional portions of the viscous fluid dispensed by the dispensing device and associated images input to the machine learning tool; and
determine a predicted time of failure of at least one component of the dispensing device based on one or more respective classifications of the one or more additional portions of the viscous fluid.
상기 점성 유체의 부분의 분류 및 상기 점성 유체의 하나 이상의 추가 부분의 하나 이상의 각각의 분류 각각은 상기 각각의 분류의 확률을 포함하고, 및
상기 예측된 고장 시간을 결정하는 단계는 상기 점성 유체의 부분 및 상기 점성 유체의 하나 이상의 추가 부분의 각각의 분류의 확률들의 경향을 결정하는 단계를 포함하는, 분배 시스템.48. The method of claim 47,
each of the classification of the portion of the viscous fluid and the one or more respective classifications of the one or more additional portions of the viscous fluid comprises a probability of the respective classification, and
wherein determining the predicted time to failure comprises determining a trend of probabilities of each classification of the portion of the viscous fluid and the one or more additional portions of the viscous fluid.
상기 분배 디바이스의 작동 파라미터는 밸브 스템 속도, 니들 속도, 밸브 스템 스트로크 길이, 니들 스트로크 길이, 작동 타이밍, 작동 스트로크 길이, 노즐 밸브 개방 속도, 노즐 밸브 폐쇄 속도, 노즐 밸브 개방 시간, 노즐 밸브 개폐 빈도, 분배 빈도, 유체 압력, 노즐 온도, 니들 크기, 밸브 스템 크기, 노즐 개구의 폭, 분배 디바이스 배치, 분배 중의 분배 디바이스 이동 속도 또는 분배 중의 분배 디바이스 방향성 중 적어도 하나를 포함하는, 분배 시스템.35. The method of claim 34,
The operating parameters of the dispensing device are: valve stem speed, needle speed, valve stem stroke length, needle stroke length, operating timing, operating stroke length, nozzle valve opening speed, nozzle valve closing speed, nozzle valve opening time, nozzle valve opening and closing frequency, A dispensing system comprising at least one of dispensing frequency, fluid pressure, nozzle temperature, needle size, valve stem size, nozzle opening width, dispensing device placement, dispensing device movement speed during dispensing, or dispensing device directionality during dispensing.
상기 밸브의 개방 및 폐쇄는 상기 분배 디바이스의 노즐의 이동 동안 발생하고 상기 점성 유체의 부분은 불연속적인, 분배 시스템. 35. The method of claim 34,
the opening and closing of the valve occurs during movement of the nozzle of the dispensing device and the portion of the viscous fluid is discontinuous.
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US202062978966P | 2020-02-20 | 2020-02-20 | |
US62/978,966 | 2020-02-20 | ||
PCT/US2021/018664 WO2021168174A1 (en) | 2020-02-20 | 2021-02-19 | Improved fluid dispensing process control using machine learning and system implementing the same |
Publications (1)
Publication Number | Publication Date |
---|---|
KR20220140806A true KR20220140806A (en) | 2022-10-18 |
Family
ID=74875286
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020227031547A KR20220140806A (en) | 2020-02-20 | 2021-02-19 | Improved Fluid Dispensing Process Control Using Machine Learning and Systems Implementing It |
Country Status (5)
Country | Link |
---|---|
US (1) | US20230060352A1 (en) |
EP (1) | EP4107479A1 (en) |
KR (1) | KR20220140806A (en) |
CN (1) | CN115135956A (en) |
WO (1) | WO2021168174A1 (en) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024128410A1 (en) * | 2022-12-15 | 2024-06-20 | 숭실대학교산학협력단 | Microdroplet device, generating system and monitoring control method thereof |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20220080915A (en) * | 2020-12-08 | 2022-06-15 | 삼성전자주식회사 | Method for operating storage device and host device, and storage device |
DE102021214252A1 (en) | 2021-12-13 | 2023-06-15 | Robert Bosch Gesellschaft mit beschränkter Haftung | System for carrying out work processes on workpieces or the like. |
DE102021214251A1 (en) | 2021-12-13 | 2023-06-15 | Robert Bosch Gesellschaft mit beschränkter Haftung | System for carrying out work processes on workpieces or the like. |
Family Cites Families (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4878064A (en) * | 1988-10-31 | 1989-10-31 | Eastman Kodak Company | Continuous ink jet stimulation adjustment based on overdrive detection |
US5320250A (en) * | 1991-12-02 | 1994-06-14 | Asymptotic Technologies, Inc. | Method for rapid dispensing of minute quantities of viscous material |
US6276774B1 (en) * | 1998-01-24 | 2001-08-21 | Eastman Kodak Company | Imaging apparatus capable of inhibiting inadvertent ejection of a satellite ink droplet therefrom and method of assembling same |
US6925346B1 (en) * | 1998-06-30 | 2005-08-02 | Jyoti Mazumder | Closed-loop, rapid manufacturing of three-dimensional components using direct metal deposition |
US6186610B1 (en) * | 1998-09-21 | 2001-02-13 | Eastman Kodak Company | Imaging apparatus capable of suppressing inadvertent ejection of a satellite ink droplet therefrom and method of assembling same |
WO2002040273A2 (en) * | 2000-11-09 | 2002-05-23 | Therics, Inc. | Method and apparatus for obtaining information about a dispensed fluid during printing |
JP2011507675A (en) * | 2007-11-29 | 2011-03-10 | ノードソン コーポレーション | Method of discharging viscous material |
US8430059B2 (en) * | 2008-06-11 | 2013-04-30 | Boston Scientific Scimed, Inc. | Precision pen height control for micro-scale direct writing technology |
US8562095B2 (en) * | 2010-11-01 | 2013-10-22 | The Board Of Trustees Of The University Of Illinois | High resolution sensing and control of electrohydrodynamic jet printing |
US9841750B2 (en) * | 2014-05-13 | 2017-12-12 | Autodesk, Inc. | Dynamic real-time slice engine for 3D printing |
US10046351B2 (en) * | 2014-07-14 | 2018-08-14 | Graco Minnesota Inc. | Material dispense tracking and control |
JP6795472B2 (en) * | 2017-08-28 | 2020-12-02 | ファナック株式会社 | Machine learning device, machine learning system and machine learning method |
US11504736B2 (en) * | 2017-10-27 | 2022-11-22 | Nordson Corporation | Systems and methods for closed loop fluid velocity control for jetting |
EP3706920A1 (en) | 2017-11-10 | 2020-09-16 | Nordson Corporation | Systems and methods for enhanced coating dispensing controls |
JP6892400B2 (en) * | 2018-01-30 | 2021-06-23 | ファナック株式会社 | Machine learning device that learns the failure occurrence mechanism of laser devices |
EP3586973B1 (en) * | 2018-06-18 | 2024-02-14 | Rolls-Royce Corporation | System control based on acoustic and image signals |
CN108672218A (en) | 2018-07-27 | 2018-10-19 | 珠海市运泰利自动化设备有限公司 | A kind of intelligent dispenser system and its dispensing method of integration testing |
-
2021
- 2021-02-19 US US17/904,299 patent/US20230060352A1/en active Pending
- 2021-02-19 WO PCT/US2021/018664 patent/WO2021168174A1/en unknown
- 2021-02-19 EP EP21712289.4A patent/EP4107479A1/en active Pending
- 2021-02-19 KR KR1020227031547A patent/KR20220140806A/en active Search and Examination
- 2021-02-19 CN CN202180015619.8A patent/CN115135956A/en active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024128410A1 (en) * | 2022-12-15 | 2024-06-20 | 숭실대학교산학협력단 | Microdroplet device, generating system and monitoring control method thereof |
Also Published As
Publication number | Publication date |
---|---|
WO2021168174A8 (en) | 2021-10-14 |
WO2021168174A1 (en) | 2021-08-26 |
CN115135956A (en) | 2022-09-30 |
US20230060352A1 (en) | 2023-03-02 |
EP4107479A1 (en) | 2022-12-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR20220140806A (en) | Improved Fluid Dispensing Process Control Using Machine Learning and Systems Implementing It | |
EP3466221B1 (en) | Method and apparatus for controlling jet dispensing by displacement measurement | |
US10099238B2 (en) | Control method and apparatus for dispensing high-quality drops of high-viscosity materials | |
US10786858B2 (en) | Method and device for jetting droplets | |
KR102017399B1 (en) | Fast measurement of droplet parameters in industrial printing system | |
JP2009509748A (en) | Viscous material dispensing system with parameter monitoring and method of operating such a system | |
KR102376975B1 (en) | Methods and devices for jetting viscous medium on workpieces | |
US11504736B2 (en) | Systems and methods for closed loop fluid velocity control for jetting | |
EP3706920A1 (en) | Systems and methods for enhanced coating dispensing controls | |
WO2020207893A1 (en) | Method using a neural network for generation of jetting control parameters | |
KR20220128437A (en) | Dispensing Devices With Supply Conduit Actuator | |
JP6563984B2 (en) | Droplet ejecting method and droplet ejecting apparatus | |
CN109999932A (en) | The method of microlayer model generation device and its regulation microlayer model size based on pneumatic actuation | |
US20080259126A1 (en) | Printing control | |
JP2021160314A (en) | System having apparatus that discharges liquid material using inkjet head | |
JP6414888B2 (en) | Droplet ejection device, droplet deposition accuracy inspection device, and droplet deposition accuracy inspection method | |
JP5903653B2 (en) | Liquid ejection method and liquid ejection apparatus | |
KR20220127920A (en) | Discharge devices having a flexible discharge nozzle | |
TW202331653A (en) | Devices and methods of manufacturing component identification such as cartridge identification | |
WO2023166358A1 (en) | Drive controller, head device, and liquid discharge apparatus |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A201 | Request for examination |